Documents
Resources
Learning Center
Upload
Plans & pricing Sign in
Sign Out

Artificial Intelegence (PDF)

VIEWS: 9 PAGES: 37

									                                                                                                  1
                                     V. SISTEM PAKAR
Sistem pakar (expert system) adalah sistem yang berusaha mengapdosi pengetahuan manusia ke
komputer, agar komputer dapat menyelesaikan masalah seperti yang biasa dilakukan oleh para ahli.
Sistem pakar yang baik dirancang agar dapat menyelesaikan suatu permasalahan tertentu dengan meniru
kerja dari para ahli.

Jadi sistem pakar     kepakaran ditransfer dari seorang pakar (atau sumber kepakaran yang lain) ke
komputer, pengetahuan yang ada disimpan dalam komputer, dan pengguna dapat berkonsultasi pada
komputer itu untuk suatu nasehat, lalu komputer dapat mengambil inferensi (menyimpulkan,
mendeduksi, dll.) seperti layaknya seorang pakar, kemudian menjelaskannya ke pengguna tersebut, bila
perlu dengan alasan-alasannya.

Sistem Pakar terkadang lebih baik unjuk kerjanya daripada seorang pakar manusia.

Dengan sistem pakar, orang awam pun dapat menyelesaikan masalah yang cukup rumit yang
sebenarnya hanya dapat diselesaikan dengan bantuan para ahli. Bagi para ahli, sistem pakar juga akan
membantu aktivitasnya sebagai asisten yang sangat berpengalaman.
Sistem pakar dikembangkan pertama kali tahun 1960.
Sistem pakar yang terkenal :

MYCIN
  • Paling terkenal, dibuat oleh Edward Shortlife of Standford University tahun 70-an
  • Sistem pakar medical yang bisa mendiagnosa penyakit infeksi dan merekomendasi pengobatan
  • MYCIN membantu dokter mengidentifikasi pasien yang menderita penyakit. Dokter duduk di
     depan komputer dan memasukkan data pasien: umur, riwayat kesehatan, hasil laboratorium dan
     informasi terkait lainnya. Dengan informasi ini ditambah pengetahuan yang sudah ada dalam
     komputer, MYCIN mendiagnosa selanjutnya merekomendasi obat dan dosis yang harus
     dimakan.
  • MYCIN sebagai penasehat medis, tidak dimaksudkan untuk mengantikan kedudukan seorang
     dokter. Tetapi membantu dokter yang belum berpengalaman dalam penyakit tertentu. Juga untuk
     membantu dokter dalam mengkonfirmasi diagnosa dan terapi yang diberikan kepada pasien
     apakah sesuai dengan diagnosa dan terapi yang ada dalam basis pengetahuan yang sudah
     dimasukkan ke dalam MYCIN, karena MYCIN dirancang oleh dokter-dokter yang ahli di
     bidang penyakit tersebut.
  • Kesimpulan : sistem pakar seperti MYCIN bisa digunakan sebagai bahan pembanding dalam
     pengambilan solusi dan pemecahan masalah. Keputusan terakhir atas pengobatan tersebut tetap
     menjadi tanggung jawab dokter.

DENDRAL
Mengidentifikasi struktur molekular campuran kimia yang tak dikenal

XCON & XSEL
XCON
  • Merupakan sistem pakar untuk membantu konfigurasi sistem komputer besar, membantu
     melayani order langganan sistem komputer DEC VAX 11/780 ke dalam sistem spesifikasi final
     yang lengkap
  • Komputer besar seperti VAX terbuat dari ratudan komponen yang berbeda digabung dan
     disesuaikan dengan konfigurasi tertentu yang diinginkan oleh para pelanggan.
  • Ada ribuan cara dimana aseosri Pcboard, kabel, disk drive, periperal, perangkat lunak, dan
     lainnya bisa dirakit ke dalam konfigurasi yang sangat rapih. Untuk mengidentifikasi hal-hal
     tersebut diperlukan waktu berhari-hari/berminggu-minggu agar bisa memenuhi spesifikasi yang
     diinginkan pemesan, tapi dengan XCON bisa dalam beberapa menit.

XSEL
  • Dirancang untuk membantu karyawan bagian penjualan dalam memilih komponen istem VAX.
     Karena banyaknya pilihan karyawan tersebut sering menghadapi kesulitan dalam memilih suatu
     komponen yang paling tepat.
                                                                                                       2
     •   Basis pengetahuan yang ada pada XSEL membantu mengarahkan para pemesan serius untuk
         memilih konfigurasi yang dikehendaki, kemudian XSEL memilih CPU, memori, periperal dan
         menyarankan paket software tertentu yang paling tepat dengan konfigurasinya.

PROSPECTOR
  • = sistem pakar yang membantu ahli geologi dalam mencari dan menemukan deposit
  • Basis pengetahuan berisi bermacam-macam mineral dan batu-batuan. Banyak pakar geologi
     diwawancarai dan pengetahuan mereka tentang berbagai bentuk biji deposit dimasukkan ke
     dalam sistem pakar.
  • Ahli geologi melacak biji deposit dengan pergi ke lapangan untuk meninjau medan dan
     mengumpulkan bukti yang ada seperti ciri-ciri geologi dicatat, sampel tanah dan batu-batuan.
     Sistem pakar mengevaluasi areal dalam bentuk pertanyaan dan data-data tersebut dimasukkan,
     kemudian Prospector memberikan rekomendasi yang menunjukkan jumlah deposit yang ada dan
     apakah menguntungkan atau tidak bila dieksplorasi atau di bor lebih lanjut.

DELTA
  • Dibuat oleh perusahaan General Electric (GE) membantu karyawan bagian pemeliharaan mesin
     lokomotif diesel dalam memantau mesin-mesin yang tidak berfungsi dengan baik dan
     membimbing ke arah prosedur perbaikan.

FOLIO
  • Sistem pakar yang menolong stock broker dan tugas manajer dalam menangani investasi bagi
      kepentingan para langganannya. Stock broker mewawancarai langganan untuk menentukan
      tujuan sumber dan investasi mereka.
  • FOLIO bisa memberikan rekomendasi tentang keamanan investasi, mengevaluasi stock beresiko
      tinggi,menghitung pengembalian modal, dan membuat keputusan dalam hal pemasaran suatu
      komoditi.
  • Membantu para perencana keuangan untuk memperkecil kerugian karena pajak, inflasi atau
      faktor lain misal turun naiknya nilai mata uang.

EL
     •   Digunakan untuk menganalisa dan membantu rekayasa rancangan sirkuit elektronik yang terbuat
         dari transistor, dioda dan resistor.
     •   Diagram skematik dari sirkuit ini dimasukkan ke dalam komputer dan EL menganalisis
         menentukan karakteristik sirkuit, nilai voltase, dan strum yang ada pada semua titik sirkuit.
     •   Basis pengetahuan pada EL merupakan prinsip umum elektronik seperti hukum OHM, hukum
         kirchoff, karakteristik komponen, teori operasi transistor.


RAMALAN CUACA
Dengan diberi input tentang situasi cuaca yang sedang berlangsung, baik lokal maupun ditempat lain,
maka sistem pakar bisa menyajikan ramalan yang akurat tentang cuaca yang akan terjadi dalam suatu
periode tertentu.


CONTOH LAIN SISTEM PAKAR
Sistem pakar :
    - Digunakan untuk konsultasi
    - Sistem pakar selalu tersedia di organisasi, sedang pakar belum tentu selalu berada di tempat. Misal
      suatu keputusan harus diambil oleh manajer yang pakar dalam suatu bidang, karena manajer ini
      pergi dan tidak berada di kantor, maka keputusan yang harus diambil tertunda.
    - Sistem pakar dapat menyimpan dan mengingat pengetahuan yang sangat tidak terbatas dan tidak
      kenal lelah. Oleh karena itu pekerjaan dokter akan sangat terbantu sekali dengan SP yang diisi
      dengan sejumlah pengetahuan (misal semua jenis obat dan efeknya) yang pakarnya sendiri belum
      tentu dapat mengingatnya.

•    Pak A nasabah bank X. Pak A akan meminjam uang untuk membeli rumah. Di bank X pak A
     menanyakan ke bagian informasi dan disarankan untuk menuju ke lantai 3 di kantor manajer
     installment loan. Di kantor ini, pak A mengutarakan maksudnya untuk meminjam uang dan akan
                                                                                                     3
    dibayar angsuran tiap bulannya bervariasi besarnya tergantung dari penghasilannya. Manajer
    installment loan menolak karena pinjaman di bagian ini harus dibayar angsuran yang nilainya sudah
    tetap ditentukan di muka. Manajer ini mengatakan bahwa pak A salah tempat menemui dia dan
    menyarankan ke lantai 5 di kantor manajer mortgage loan. Sesampainya disana, pak A
    mengutarakan kembali maksudnya untuk meminjam uang dengan membayar secara angsuran.
    Manajer ini setuju tetapi pak A harus meninggalkan sertifikat tanahnya sebagai agunan. Sebaliknya
    pak A tidak setuju karena dia akan menggunakan sertifikat tanah ini untuk keperluan yang lain.
    Manajer mortgage loan menyarankan pak A untuk menemui kepala cabang di lantai 1. Pak A turun
    ke lantai 1 bukannya menemui kepala cabang tetapi bank lain yaitu Y di seberang jalan.

    Di bank Y pak A ditemui oleh seorang pegawai bank yang mempersilahkan dia duduk. Setelah pak
    A mengutarakan maksudnya, tak lama kemudian setelah pegawai menggunakan komputer
    dihadapannya, pegawai tersebut menyetujui pinjaman pak A.

    Beda bank X dan bank Y.
    Untuk bank X kepandaian atau pengetahuan (knowledge) dimiliki di masing-masing manajer. Dan
    jika pak A menemui manajer yang pengetahuannya lain yang tidak sesuai dengan permasalahannya,
    pak A salah alamat dan harus menemui manajer lain yang sesuai.
    Untuk bank Y, pengetahuan dari manajer-manajer bersangkutan dimasukkan dan berada di dalam
    sistem komputer dalam bentuk basis data pengetahuan (knowledge base).

•   Sistem pakar yang digunakan di dinas sosial negara bagian California, Amerika Serikat. Sebelum
    SP digunakan, pemberian tunjangan sosial kurang efektif karena beragamnya macam tunjangan
    yang diberikan dan banyaknya aturan yang ada untuk mendapatkan tunjangan sosial. Lebih dari
    3000 aturan dibukukan untuk tunjangan sosial ini. Pada waktu seseorang melamar untuk meminta
    tunjangan sosial, orang ini akan dilayani dengan pekerja sosial dan pekerja sosial harus mengetahui
    aturan-aturan yang ada. Jika ada kasus khusus dan pekerja sosial tidak memahami aturannya tetapi
    memutuskan hasilnya, maka hasil keputusan dapat tidak efektif. Menyadari kelemahan-kelemahan
    ini maka dinas sosial kemudian menerapkan sistem pakar yang berisi dengan knowledge base
    berupa ribuan aturan-aturan ini.
    Bedanya : sebelum ada SP, yang pakar adalah pekerja sosialnya dan jika pekerja sosial kurang pakar
    maka dapat mengakibatkan kesalahan keputusan. Setelah ada SP, pekerja sosial tidak harus pakar
    karena yang pakar adalah sistemnya karena sistemnya berisi dengan semua aturan, sehingga
    mengurangi kesalahan pengambilan keputusan.


MANFAAT SISTEM PAKAR :
  1. Memungkinkan orang awam bisa mengerjakan pekerjaan para ahli
  2. Bisa melakukan proses secara berulang secara otomatis
  3. Menyimpan pengetahuan dan keahlian para pakar
  4. Mampu mengambil dan melestarikan keahlian para pakar (terutama yang termasuk keahlian
      langka)
  5. Mampu beroperasi dalam lingkungan yang berbahaya
  6. Memiliki kemampuan untuk bekerja dengan informasi yang tidak lengkap dan mengandung
      ketidakpastian. Pengguna bisa merespon dengan jawaban ’tidak tahu’ atau ’tidak yakin’ pada
      satu atau lebih pertanyaan selama konsultasi dan sistem pakar tetap akan memberikan jawaban.
  7. Tidak memerlukan biaya saat tidak digunakan, sedangkan pada pakar manusia memerlukan
      biaya sehari-hari.
  8. Dapat digandakan (diperbanyak) sesuai kebutuhan dengan waktu yang minimal dan sedikit
      biaya
  9. Dapat memecahkan masalah lebih cepat daripada kemampuan manusia dengan catatan
      menggunakan data yang sama.
  10. Menghemat waktu dalam pengambilan keputusan
  11. Meningkatkan kualitas dan produktivitas karena dapat memberi nasehat yang konsisten dan
      mengurangi kesalahan
  12. Meningkatkan kapabilitas sistem terkomputerisasi yang lain. Integrasi Sistem Pakar dengan
      sistem komputer lain membuat lebih efektif, dan bisa mencakup lebih banyak aplikasi .
  13. Mampu menyediakan pelatihan. Pengguna pemula yang bekerja dengan sistem pakar akan
      menjadi lebih berpengalaman. Fasilitas penjelas dapat berfungsi sebagai guru.
                                                                                                 4
KELEMAHAN SISTEM PAKAR
  1. Biaya yang diperlukan untuk membuat, memelihara, dan mengembangkannya sangat mahal
  2. Sulit dikembangkan, hal ini erat kaitannya dengan ketersediaan pakar di bidangnya dan
     kepakaran sangat sulit diekstrak dari manusia karena sangat sulit bagi seorang pakar untuk
     menjelaskan langkah mereka dalam menangani masalah.
  3. Sistem pakar tidak 100% benar karena seseorang yang terlibat dalam pembuatan sistem pakar
     tidak selalu benar. Oleh karena itu perlu diuji ulang secara teliti sebelum digunakan.
  4. Pendekatan oleh setiap pakar untuk suatu situasi atau problem bisa berbeda-beda, meskipun
     sama-sama benar.
  5. Transfer pengetahuan dapat bersifat subjektif dan bias
  6. Kurangnya rasa percaya pengguna dapat menghalangi pemakaian sistem pakar.

KONSEP DASAR SISTEM PAKAR
Konsep dasar sistem pakar mengandung keahlian, ahli/pakar, pengalihan keahlian, mengambil
keputusan, aturan, kemampuan menjelaskan.

Keahlian
Keahlian bersifat luas dan merupakan penguasaan pengetahuan dalam bidang khusus yang diperoleh
dari pelatihan, membaca atau pengalaman. Contoh bentuk pengetahuan yang termasuk keahlian :
- Teori, fakta, aturan-aturan pada lingkup permasalahan tertentu
- Strategi global untuk menyelesaikan masalah

Ahli / Pakar
Seorang ahli adalah seseorang yang mampu menjelaskan suatu tanggapan, mempelajari hal-hal baru
seputar topik permasalahan, menyusun kembali pengetahuan jika dipandang perlu, memecahkan
masalah dengan cepat dan tepat


Pengalihan keahlian
Tujuan dari sistem pakar adalah untuk mentransfer keahlian dari seorang pakar ke dalam komputer
kemudian ke masyarakat. Proses ini meliputi 4 kegiatan, yaitu perolehan pengetahuan (dari para ahli
atau sumber-sumber lainnya), representasi pengetahuan ke komputer, kesimpulan dari pengetahuan dan
pengalihan pengetahuan ke pengguna.

Mengambil keputusan
Hal yang unik dari sistem pakar adalah kemampuan untuk menjelaskan dimana keahlian tersimpan
dalam basis pengetahuan. Kemampuan komputer untuk mengambil kesimpulan dilakukan oleh
komponen yang dikenal dengan mesin inferensi yaitu meliputi prosedur tentang pemecahan masalah.

Aturan
Sistem pakar yang dibuat merupakan sistem yang berdasarkan pada aturan – aturan dimana program
disimpan dalam bentuk aturan-aturan sebagai prosedur pemecahan masalah. Aturan tersebut biasanya
berbentuk IF – THEN.

Kemampuan menjelaskan
Keunikan lain dari sistem pakar adalah kemampuan dalam menjelaskan atau memberi
saran/rekomendasi serta juga menjelaskan mengapa beberapa tindakan/saran tidak direkomendasikan.
                                                                                                   5
PERBEDAAN SISTEM KONVENSIONAL DENGAN SISTEM PAKAR

                Sistem Konvensional                                  Sistem Pakar
Informasi dan pemrosesannya biasanya jadi satu     Basis pengetahuan merupakan bagian terpisah dari
dengan program                                     mekanisme inferensi
Program       tidak    pernah   salah  (keculai    Program bisa saja melakukan kesalahan
pemrogramnya yang salah)
Biasanya tidak bisa menjelaskan mengapa suatu      Penjelasan adalah bagian terpenting dari sistem
input data itu dibutuhkan atau bagaimana output    pakar
itu diperoleh
Pengubahan program cukup sulit dan merepotkan  Pengubahan pada aturan/kaidah dapat dilakukan
                                               dengan mudah
Sistem hanya akan bekerja jika sistem tersebut Sistem dapat bekerja hanya dengan beberapa
sudah lengkap                                  aturan
Eksekusi dilakukan langkah demi langkah secara Eksekusi dilakukan pada keseluruhan basis
algoritmik                                     pengetahuan secara heuristik dan logis
Menggunakan data                               Menggunakan pengetahuan
Tujuan utamanya adalah efisiensi               Tujuan utamanya adalah efektivitas

ELEMEN MANUSIA YANG TERKAIT DALAM PENGGUNAAN DAN PENGEMBANGAN
SISTEM PAKAR
   1. Pakar
      Pakar adalah orang yang memiliki pengetahuan khusus, pendapat, pengalaman dan metode, serta
      kemampuan untuk mengaplikasikan keahliannya tersebut guna menyelesaikan masalah.
   2. Perekayasa pengetahuan
      Perekayasa pengetahuan adalah orang yang membantu pakar dalam menyusun area
      permasalahan dengan menginterpretasikan dan mengintegrasikan jawaban-jawaban pakar atas
      pertanyaan yang diajukan, menggambarkan analogi, mengajukan counter example dan
      menerangkan kesulitan-kesulitan konseptual.
   3. Pemakai
      - Pemakai awam : dalam hal ini sistem pakar bertindak sebagai konsultan untuk memberikan
          saran dan solusi kepada pemakai
      - Pelajar yang ingin belajar : sistem pakar bertindak sebagai instruktur
      - Pembuat sistem pakar : sistem pakar sebagai partner dalam pengembangan basis
          pengetahuan.
      - Pakar : sistem pakar bertindak sebagai mitra kerja/asisten

AREA PERMASALAHAN APLIKASI SISTEM PAKAR
  1. Interpretasi
     Yaitu pengambilan keputusan dari hasil observasi, diantaranya : pengawasan, pengenalan
     ucapan, analisis citra, interpretasi sinyal, dan beberapa analisis kecerdasan
  2. Prediksi
     Memprediksi akibat-akibat yang dimungkinkan dari situasi-situasi tertentu, diantaranya :
     peramalan, prediksi demografis, peralaman ekonomi, prediksi lalulintas, estimasi hasil, militer,
     pemasaran, atau peramalan keuangan.
  3. Diagnosis
     Menentukan sebab malfungsi dalam situasi kompleks yang didasarkan pada gejala-gejala yang
     teramati, diantaranya : medis, elektronis, mekanis, dan diagnosis perangkat lunak
  4. Desain
     Menentukan konfigurasi komponen-komponen sistem yang cocok dengan tujuan-tujuan kinerja
     tertentu dan kendala-kendala tertentu, diantaranya : layout sirkuit, perancangan bangunan
  5. Perencanaan
     Merencanakan serangkaian tindakan yang akan dapat mencapai sejumlah tujuan dengan kondisi
     awal tertentu, diantaranya : perencanaan keuangan, komunikasi, militer, pengembangan politik,
     routing dan manajemen proyek.
  6. Monitoring
     Membandingkan tingkah laku suatu sistem yang teramati dengan tingkah laku yang diharapkan
     darinya, diantaranya : Computer Aided Monitoring System
                                                                                                 6
   7. Debugging dan repair
       Menentukan dan mengimplementasikan cara-cara untuk mengatasi malfungsi, diantaranya
       memberikan resep obat terhadap suatu kegagalan.
   8. Instruksi
       Melakukan instruksi untuk diagnosis, debugging dan perbaikan kinerja.
   9. Kontrol
       Mengatur tingkah laku suatu environment yang kompleks seperti kontrol terhadap interpretasi-
       interpretasi, prediksi, perbaikan, dan monitoring kelakuan sistem
   10. Seleksi
       Mengidentifikasi pilihan terbaik dari sekumpulan (list) kemungkinan.
   11. Simulasi
       Pemodelan interaksi antara komponen-komponen sistem.


BENTUK / TIPE SISTEM PAKAR
  1. Mandiri : sistem pakar yang murni berdiri sendiri, tidak digabung dengan software lain, bisa
     dijalankan pada komputer pribadi, mainframe.
  2. Terkait/Tergabung : dalam bentuk ini sistem pakar hanya merupakan bagian dari program yang
     lebih besar. Program tersebut biasanya menggunakan teknik algoritma konvensional tapi bisa
     mengakses sistem pakar yang ditempatkan sebagai subrutin, yang bisa dimanfaatkan setiap kali
     dibutuhkan.
  3. Terhubung : merupakan sistem pakar yang berhubungan dengan software lain, misal :
     spreadsheet, DBMS, program grafik. Pada saat proses inferensi, sistem pakar bisa mengakses
     data dalam spreadsheet atau DBMS atau program grafik bisa dipanggil untuk menayangkan
     output visual.
  4. Sistem Mengabdi
     Merupakan bagian dari komputer khusus yang diabdikan kepada fungsi tunggal. Sistem tersebut
     bisa membantu analisa data radar dalam pesawat tempur atau membuat keputusan intelejen
     tentang bagaimana memodifikasi pembangunan kimiawi, dll.
                                                                                                7
   STRUKTUR SISTEM PAKAR
   2 bagian utama sistem pakar :
   - lingkungan pengembangan (development environment) :
      digunakan untuk memasukkan pengetahuan pakar ke dalam lingkungan sistem pakar
   - lingkungan konsultasi (consultation environment)
      digunakan oleh pengguna yang bukan pakar untuk memperoleh pengetahuan pakar

   Arsitektur sistem pakar :


                    LINGKUNGAN                            LINGKUNGAN
                    KONSULTASI                           PENGEMBANGAN


                                                       Basis Pengetahuan :
                                                        fakta dan aturan
        Pemakai
                         Fakta tentang
                        kejadian tertentu


                                    Fasilitas                        Knowledge
                                   Penjelasan                        Engineer
       Antarmuka

                                                                                 Akuisisi
                                                                                 Pengetahuan
                                     Mesin Inferensi                    Pakar
         Aksi yang
     direkomendasikan



                                    Workplace           Perbaikan
                                                       Pengetahuan




Komponen-komponen yang terdapat dalam arsitektur/struktur sistem pakar :
1. Antarmuka Pengguna (User Interface)
   Merupakan mekanisme yang digunakan oleh pengguna dan sistem pakar untuk berkomunikasi.
   Antarmuka menerima informasi dari pemakai dan mengubahnya ke dalam bentuk yang dapat
   diterima oleh sistem. Selain itu antarmuka menerima dari sistem dan menyajikannya ke dalam
   bentuk yang dapat dimengerti oleh pemakai.
2. Basis Pengetahuan
   Basis pengetahuan mengandung pengetahuan untuk pemahaman, formulasi, dan penyelesaian
   masalah. Komponen sistem pakar ini disusun atas 2 elemen dasar, yaitu :
   - fakta : informasi tentang obyek dalam area permasalahan tertentu
   - aturan : informasi tentang cara bagaimana memperoleh fakta baru dari fakta yang telah
                diketahui.
2. Akuisisi Pengetahuan (Knowledge Acquisition)
   Akuisisi pengetahuan adalah akumulasi, transfer, dan transformasi keahlian dalam menyelesaikan
   masalah dari sumber pengetahuan ke dalam program komputer. Dalam tahap ini knowledge
   engineer berusaha menyerap pengetahuan untuk selanjutnya ditransfer ke dalam basis pengetahuan.
   Pengetahuan diperoleh dari pakar, dilengkapi dengan buku, basis data, laporan penelitian dan
   pengalaman pemakai.
   Metode akuisisi pengetahuan :
   • Wawancara
       Metode yang paling banyak digunakan, yang melibatkan pembicaraan dengan pakar secara
       langsung dalam suatu wawancara
                                                                                                   8
   •   Analisis protokol
       Dalam metode ini pakar diminta untuk melakukan suatu pekerjaan dan mengungkapkan proses
       pemikirannya dengan menggunakan kata-kata. Pekerjaan tersebut direkam, dituliskan, dan
       dianalisis.
   •   Observasi pada pekerjaan pakar
       Pekerjaan dalam bidang tertentu yang dilakukan pakar direkam dan diobservasi
   •   Induksi aturan dari contoh
       Induksi adalah suatu proses penalaran dari khusus ke umum. Suatu sistem induksi aturan diberi
       contoh-contoh dari suatu masalah yang hasilnya telah diketahui. Setelah diberikan beberapa
       contoh, sistem induksi aturan tersebut dapat membuat aturan yang benar untuk kasus-kasus
       contoh. Selanjutnya aturan dapat digunakan untuk menilai kasus lain yang hasilnya tidak
       diketahui.

3. Mesin/Motor Inferensi (inference engine)
   Komponen ini mengandung mekanisme pola pikir dan penalaran yang digunakan oleh pakar dalam
   menyelesaikan suatu masalah. Mesin inferensi adalah program komputer yang memberikan
   metodologi untuk penalaran tentang informasi yang ada dalam basis pengetahuan dan dalam
   workplace, dan untuk memformulasikan kesimpulan.

4. Workplace / Blackboard
   Workplace merupakan area dari sekumpulan memori kerja (working memory), digunakan untuk
   merekam kejadian yang sedang berlangsung termasuk keputusan sementara. Ada 3 keputusan yang
   dapat direkam :
   - Rencana : bagaimana menghadapi masalah
   - Agenda : aksi-aksi yang potensial yang sedang menunggu untuk dieksekusi
   - Solusi : calon aksi yang akan dibangkitkan

5. Fasilitas Penjelasan
   Adalah komponen tambahan yang akan meningkatkan kemampuan sistem pakar. Digunakan untuk
   melacak respon dan memberikan penjelasan tentang kelakuan sistem pakar secara interaktif melalui
   pertanyaan :
   - mengapa suatu pertanyaan ditanyakan oleh sistem pakar ?
   - bagaimana konklusi dicapai ?
   - mengapa ada alternatif yang dibatalkan ?
   - rencana apa yang digunakan untuk mendapatkan solusi ?

6. Perbaikan Pengetahuan
   Pakar memiliki kemampuan untuk menganalisis dan meningkatkan kinerjanya serta kemampuan
   untuk belajar dari kinerjanya. Kemampuan tersebut adalah penting dalam pembelajaran
   terkomputerisasi, sehingga program akan mampu menganalisis penyebab kesuksesan dan kegagalan
   yang dialaminya dan juga mengevaluasi apakah pengetahuan-pengetahuan yang ada masih cocok
   untuk digunakan di masa mendatang


BASIS PENGETAHUAN (KNOWLEDGE BASE)
Basis pengetahuan berisi pengetahuan-pengetahuan dalam penyelesaian masalah. Ada 2 bentuk
pendekatan basis pengetahuan :
   a. Penalaran berbasis aturan (rule-based reasoning)
      Pada penalaran berbasis aturan, pengetahuan direpresentasikan dengan menggunakan aturan
      berbentuk IF-THEN. Bentuk ini digunakan apabila kita memiliki sejumlah pengetahuan pakar
      pada suatu permasalahan tertentu, dan si pakar dapat menyelesaikan masalah tersebut secara
      berurutan. Disamping itu, bentuk ini juga digunakan apabila dibutuhkan penjelasan tentang jejak
      (langkah-langkah) pencapaian solusi.
      Contoh : aturan identifikasi hewan
      Rule 1 :       IF hewan berambut dan menyusui THEN hewan mamalia
      Rule 2 :       IF hewan mempunyai sayap dan bertelur THEN hewan jenis burung
      Rule 3 :       IF hewan mamalia dan memakan daging THEN hewan karnivora
      Dst...
                                                                                                    9
   b. Penalaran berbasis kasus (case-based reasoning)
      Pada penalaran berbasis kasus, basis pengetahuan akan berisi solusi-solusi yang telah dicapai
      sebelumnya, kemudian akan diturunkan suatu solusi untuk keadaan yang terjadi sekarang (fakta
      yang ada). Bentuk ini digunakan apabila user menginginkan untuk tahu lebih banyak lagi pada
      kasus-kasus yang hampir sama (mirip). Selain itu bentuk ini juga digunakan bila kita telah
      memiliki sejumlah situasi atau kasus tertentu dalam basis pengetahuan.

MESIN INFERENSI (INFERENCE ENGINE)
Ada 2 cara penalaran yang dapat dikerjakan dalam melakukan inferensi :
   a. Forward Chaining
       Pencocokan fakta atau pernyataan dimulai dari bagian sebelah kiri dulu (IF dulu). Dengan kata
       lain penalaran dimulai dari fakta terlebih dahulu untuk menguji kebenaran hipotesis.

   b. Backward Chaining
      Pencocokan fakta atau pernyataan dimulai dari bagian sebelah kanan (THEN dulu). Dengan kata
      lain penalaran dimulai dari hipotesis terlebih dahulu, dan untuk menguji kebenaran hipotesis
      tersebut harus dicari fakta-fakta yang ada dalam basis pengetahuan.

       Contoh :
       R1 : IF suku bunga turun THEN harga obligasi naik
       R2 : IF suku bunga naik THEN harga obligasi turun
       R3 : IF suku bunga tidak berubah THEN harga obligasi tidak berubah
       R4 : IF dolar naik THEN suku bunga turun
       R5 : IF dolar turun THEN suku bunga naik
       R6 : IF harga obligasi turun THEN beli obligasi

       Apabila diketahui bahwa dolar turun, maka untuk memutuskan apakah akan membeli obligasi
       atau tidak dapat ditunjukkan sebagai berikut :

       Forward Chaining
       Dari fakta dolar turun, berdasarkan Rule 5, diperoleh konklusi suku bunga naik. Dari Rule 2
       suku bunga naik menyebabkan harga obligasi turun. Dengan Rule 6, jika harga obligasi turun,
       maka kesimpulan yang diambil adalah membeli obligasi.

       Backward Chaining
       Dari solusi yaitu membeli obligasi, dengan menggunakan Rule 6 diperoleh anteseden harga
       obligasi turun. Dari Rule 2 dibuktikan harga obligasi turun bernilai benar jika suku bunga naik
       bernilai benar . Dari Rule 5 suku bunga naik bernilai memang bernilai benar karena diketahui
       fakta dolar turun.

LANGKAH-LANGKAH PEMBUATAN SISTEM PAKAR
  1. Mengidentifikasi masalah dan kebutuhan
  2. Menentukan problema yang cocok
  3. mempertimbangkan alternatif
  4. menghitung pengembalian investasi
  5. memilih alat pengembangan
  6. merekayasa pengetahuan
  7. merancang sistem
  8. melengkapi pengembangan
  9. menguji dan mencari kesalahan sistem
  10. memelihara sistem
                                                                                                                                                                             10
        CONTOH REPRESENTASI PENGETAHUAN DARI KNOWLEDGE BASE BERBASIS ATURAN/RULE SISTEM PAKAR DETEKSI KERUSAKAN KOMPUTER
TABEL PENGETAHUAN
KODE                          GEJALA KERUSAKAN                                  A1   A2   A3   A4   A5   A6   A7   A8   A9   A10   A11   A12   A13   A14   A15   A16   A17
 B1    Tidak ada gambar tertampil di monitor                                    √              √                        √
 B2    Terdapat garis horisontal / vertikal ditengah monitor                    √
 B3    Tidak ada tampilan awal bios                                                  √         √                        √
       Muncul pesan orror pada bios (isi pesan selalu berbeda tergantung pada
 B4    kondisi tertentu)                                                             √                                  √
 B5    Alarm bios berbunyi                                                           √         √                        √                             √
 B6    Terdengar suara aneh pada HDD                                                      √
 B7    Sering terjadi hang/crash saat menjalankan aplikasi                                √                   √
 B8    Selalu Scandisk ketika booting                                                     √
       Muncul pesan error saat menjalankan game atau aplikasi grafis
 B9                                                                                            √                                    √
       Device driver informasi tidak terdeteksi dalam device manager, meski
B10    driver telah di install                                                            √    √    √                                                       √     √     √
B11    Tiba-tiba OS melakukan restart otomatis                                       √                   √
       Keluarnya blue screen pada OS Windows (isi pesan selalu berbeda
B12    tergantung pada kondisi tertentu)                                             √         √         √    √
       Suara tetap tidak keluar meskipun driver dan setting device telah
B13    dilakukan sesuai petunjuk                                                               √    √
B14    Muncul pesan error saat menjalankan aplikasi audio                                           √
B15    Muncul pesan error saat pertama OS di load dari HDD                                               √
       Tidak ada tanda-tanda dari sebagian/seluruh perangkat bekerja (semua
B16    kipas pendingin tidak berputar)                                                                             √
B17    Sering tiba-tiba mati tanpa sebab                                                                           √
       Muncul pesan pada windows, bahwa windows kekurangan virtual
B18    memori                                                                                                                 √
       Aplikasi berjalan dengan lambat, respon yang lambat terhadap inputan
B19                                                                                                                           √           √
       Kinerja grafis terasa sangat berat (biasanya dlm game dan manipulasi
B20    gambar)                                                                                                                      √
B21    Device tidak terdeteksi dalam bios                                                 √                                                     √
B22    Informasi deteksi yang salah dalam bios                                            √
B23    Hanya sebagian perangkat yang bekerja                                                                                                          √
B24    Sebagian/seluruh karakter inputan mati                                                                                                                     √
B25    Pointer mouse tidak merespon gerakan mouse                                                                                                                       √
                                                                    11

JENIS KERUSAKAN
 A1    =     MONITOR RUSAK
 A2    =     MEMORI RUSAK
 A3    =     HDD RUSAK
 A4    =     VGA RUSAK
 A5    =     SOUND CARD RUSAK
 A6    =     OS BERMASALAH
 A7    =     APLIKASI RUSAK
 A8    =     PSU RUSAK
 A9    =     PROSESOR RUSAK
 A10   =     MEMORY KURANG (PERLU UPGRADE MEMORY)
 A11   =     MEMORY VGA KURANG (PERLU UPGRADE VGA)
 A12   =     CLOCK PROSOR KURANG TINGGI (PERLU UPGRADE PROSESOR)
 A13   =     KABEL IDE RUSAK
 A14   =     KURANG DAYA PADA PSU (PERLU UPGRADE PSU)
 A15   =     PERANGKAT USB RUSAK
 A16   =     KEYBOARD RUSAK
 A17   =     MOUSE RUSAK


      RULE                             IF                    THEN
         1   B1,B2                                            A1
         2   B3,B4,B5,B11,B12                                 A2
         3   B6,B7,B8,B10,B21,B22                             A3
         4   B1,B3,B5,B9,B10,B12,B13                          A4
         5   B10,B13,B14                                      A5
         6   B11,B11,B15                                      A6
         7   B7,B12                                           A7
         8   B16,B17                                          A8
         9   B1,B3,B4,B5                                      A9
        10   B18,B19                                          A10
        11   B9,B20                                           A11
        12   B19                                              A12
        13   B21                                              A13
        14   B5,B23                                           A14
        15   B10                                              A15
        16   B10,B24                                          A16
        17   B10,B25                                          A17
                                                                                                      12
                                                VI. KETIDAKPASTIAN
Dalam kenyataan sehari-hari banyak masalah didunia ini tidak dapat dimodelkan secara lengkap dan
konsisten. Suatu penalaran dimana adanya penambahan fakta baru mengakibatkan ketidakkonsistenan,
dengan ciri-ciri penalaran sebagai berikut :
   - adanya ketidakpastian
   - adanya perubahan pada pengetahuan
   - adanya penambahan fakta baru dapat mengubah konklusi yang sudah terbentuk
contoh :
   Premis -1           : Aljabar adalah pelajaran yang sulit
   Premis -2           : Geometri adalah pelajaran yang sulit
   Premis -3           : Kalkulus adalah pelajaran yang sulit
   Konklusi            : Matematika adalah pelajaran yang sulit
   Munculnya premis baru bisa mengakibatkan gugurnya konklusi yang sudah diperoleh, misal :
   Premis -4           : Kinematika adalah pelajaran yang sulit
   Premis tersebut menyebabkan konklusi : “Matematika adalah pelajaran yang sulit”, menjadi salah,
   karena Kinematika bukan merupakan bagian dari Matematika, sehingga bila menggunakan
   penalaran induktif sangat dimungkinkan adanya ketidakpastian.

Untuk mengatasi ketidakpastian maka digunakan penalaran statistik.

PROBABILITAS & TEOREMA BAYES
PROBABILITAS
Probabilitas menunjukkan kemungkinan sesuatu akan terjadi atau tidak.

     p(x)   =  jumlah kejadian berhasil
                jumlah semua kejadian
Misal dari 10 orang sarjana , 3 orang menguasai cisco, sehingga peluang untuk memilih sarjana yang
menguasai cisco adalah :
                     p(cisco) = 3/10 = 0.3

TEOREMA BAYES
                    p( E | H i ) * ( p( H i )
 p( H i | E ) = n
                ∑ p( E | H k ) * ( p( H k )
                k =1
 dengan :
 p ( H i | E ) = probabilitas hipotesis H i benar jika diberikan evidence (fakta) E
 p ( E | H i ) = probabilitas munculnya evidence(fakta) E jika diketahui hipotesis H i benar
 p( H i )      = probabilitas hipotesis H i (menurut hasil sebelumnya) tanpa memandang evidence(fakta) apapun
 n           = jumlah hipotesis yang mungkin

Contoh :
Asih mengalami gejala ada bintik-bintik di wajahnya. Dokter menduga bahwa Asih terkena cacar
dengan :
  • probabilitas munculnya bintik-bintik di wajah, jika Asih terkena cacar     p(bintik | cacar) = 0.8
  • probabilitas Asih terkena cacar tanpa memandang gejala apapun        p(cacar) = 0.4
  • probabilitas munculnya bintik-bintik di wajah, jika Asih terkena alergi     p(bintik | alergi) = 0.3
  • probabilitas Asih terkena alergi tanpa memandang gejala apapun        p(alergi) = 0.7
  • probabilitas munculnya bintik-bintik di wajah, jika Asih jerawatan      p(bintik | jerawatan) = 0.9
  • probabilitas Asih jerawatan tanpa memandang gejala apapun p(jerawatan) = 0.5

Maka :
 • probabilitas Asih terkena cacar karena ada bintik-bintik di wajahnya :
                           p( E | H i ) * ( p( H i )
        p( H i | E ) = n
                       ∑ p( E | H k ) * ( p( H k )
                       k =1
                                                                                                                    13



                                                          p (bintik | cacar) * p (cacar)
p (cacar | bintik ) =
                      p (bintik | cacar) * p (cacar) + p (bintik | alergi) * p (alergi) + p (bintik | jerawat) * p (jerawat)
                                      (0.8) * (0.4)                    0.32
p (cacar | bintik ) =                                               =        = 0.327
                      (0.8) * (0.4) + (0.3) * (0.7) + (0.9) * (0.5) 0.98


 •    probabilitas Asih terkena alergi karena ada bintik-bintik di wajahnya :
                                                           p (bintik | alergi) * p (alergi)
p (alergi | bintik ) =
                       p (bintik | cacar) * p (cacar) + p (bintik | alergi) * p (alergi) + p (bintik | jerawat) * p (jerawat)
                                       (0.3) * (0.7)                    0.21
p (alergi | bintik ) =                                               =        = 0.214
                       (0.8) * (0.4) + (0.3) * (0.7) + (0.9) * (0.5) 0.98

 •    probabilitas Asih jerawatan karena ada bintik-bintik di wajahnya :

                                                           p (bintik | jerawat) * p (jerawat)
p ( jerawat | bintik ) =
                         p (bintik | cacar) * p (cacar) + p (bintik | alergi) * p (alergi) + p (bintik | jerawat) * p (jerawat)
                                         (0.9) * (0.5)                    0.45
p ( jerawat | bintik ) =                                                =       = 0.459
                         (0.8) * (0.4) + (0.3) * (0.7) + (0.9) * (0.5) 0.98


Jika setelah dilakukan pengujian terhadap hipotesis muncul satu atau lebih evidence (fakta) atau
observasi baru maka :

                                   p(e | E, H )
     p( H | E, e) = p( H | E ) *
                                    p(e | E )
     dengan:
     e = evidencelama
     E = evidenceatau observasibaru
     p( H | E, e) = probabilitas hipotesis H benar jika munculevidencebaru E dari evidencelama e
     p( H | E) = probabilitas hipotesis H benar jika diberikan evidence E
     p(e | E, H ) = kaitan antara e dan E jika hipotesis H benar
     p(e | E)     = kaitan antara e dan E tanpa memandanghipotesis apapun

Misal :

Adanya bintik-bintik di wajah merupakan gejala seseorang terkena cacar. Observasi baru menunjukkan
bahwa selain bintik-bintik di wajah, panas badan juga merupakan gejala orang kena cacar. Jadi antara
munculnya bintik-bintik di wajah dan panas badan juga memiliki keterkaitan satu sama lain.

                         bintik                   panas



                                    cacar


Asih ada bintik-bintik di wajahnya. Dokter menduga bahwa Asih terkena cacar dengan probabilitas
terkena cacar bila ada bintik-bintik di wajah p(cacar | bintik) = 0.8
Ada observasi bahwa orang terkena cacar pasti mengalami panas badan. Jika diketahui probabilitas
orang terkena cacar bila panas badan p(cacar | panas ) = 0.5
Keterkaitan antara adanya bintik-bintik di wajah dan panas badan bila seseorang terkena cacar
p(bintik | panas, cacar) = 0.4
                                                                                                                       14
Keterkaitan antara adanya bintik-bintik di wajah dan panas badan                      p(bintik | panas) = 0.6
Maka :
                                   p (e | E , H )
  p ( H | E , e) = p ( H | E ) *
                                     p (e | E )
                                                           p(bintik | panas, cacar)
  p(cacar | panas, bintik) = p(cacar | panas) *
                                                              p(bintik | panas)
                                              (0.4)
  p(cacar | panas, bintik) = (0.5) *                = 0.33
                                              (0.6)

Pengembangan lebih jauh dari Teorema Bayes adalah Jaringan Bayes.
Contoh : hubungan antara krismon, PHK, pengangguran, gelandangan dalam suatu jaringan.

                                                                                               Krismon
    PHK                                PHK                  gelandangan

                                                                                      PHK                gelandangan

      pengangguran                       pengangguran

                                                                                        pengangguran



   Muculnya pengangguran                Muculnya pengangguran dapat                      Probabilitias terjadinya PHK jika
   disebabkan PHK                       digunakan sebagai evidence untuk                 terjadi krismon, probabilitas
                                        membuktikan adanya gelandangan                   munculnya gelandangan jika terjadi
                                                                                         krismon
Probabilitias untuk jaringan bayes

              Atribut                                Prob                         Keterangan
p(pengangguran | PHK,gelandangan)                   0.95        Keterkaitan antara pengangguran & PHK, jika
                                                                muncul gelandangan

p(pengangguran | PHK,~gelandangan)                  0.20        Keterkaitan antara pengangguran & PHK, jika tidak
                                                                ada gelandangan

p(pengangguran |~PHK,gelandangan)                   0.75        Keterkaitan antara pengangguran & tidak ada PHK,
                                                                jika muncul gelandangan

p(pengangguran |~ PHK,~gelandangan)                 0.40        Keterkaitan antara pengangguran & tidak ada PHK,
                                                                jika tidak ada gelandangan

p(PHK | krismon)                                    0,50        Probabilitas orang diPHK jika terjadi krismon

p(PHK | ~krismon)                                   0.10        Probabilitas orang diPHK jika tidak terjadi krismon

p(pengangguran | krismon)                           0.90        Probabilitas muncul pengangguran jika terjadi
                                                                krismon

p(pengangguran |~ krismon)                          0.30        Probabilitas muncul pengangguran jika tidak terjadi
                                                                krismon

p(krismon)                                          0.80
                                                                                                          15
FAKTOR KEPASTIAN (CERTAINTY FACTOR)
Certainty Factor (CF) menunjukkan ukuran kepastian terhadap suatu fakta atau aturan.
                              CF[h,e] = MB[h,e] – MD[h,e]
CF[h,e] = faktor kepastian
MB[h,e] = ukuran kepercayaan/tingkat keyakinan terhadap hipotesis h, jika diberikan/dipengaruhi
               evidence e (antara 0 dan 1)
MD[h,e] = ukuran ketidakpercayaan/tingkat ketidakyakinan terhadap hipotesis h, jika
               diberikan/dipenharuhi evidence e (antara 0 dan 1)

3 hal yang mungkin terjadi :
1. Beberapa evidence dikombinasikan untuk menentukan CF dari suatu hipotesis.
    Jika e1 dan e2 adalah observasi, maka :
                                          ⎧                     0                         jika MD[ h, e1 ∧ e 2] = 1
  e1                   MB[ h, e1 ∧ e 2] = ⎨
                                          ⎩ MB[ h, e1] + MB[ h, e 2] * (1 − MB[ h, e1])        lainnya
               h
                                           ⎧                  0                           jika MB ( h, e1 ∧ e 2) = 1
                       MD ( h, e1 ∧ e 2) = ⎨
  e2                                       ⎩ MD[h, e1] + MD[h, e 2] * (1 − MD[ h, e1])         lainnya



Contoh :
   • Misal suatu observasi memberikan kepercayaan terhadap h dengan MB[h,e1]=0,3 dan
      MD[h,e1]=0 maka :
                            CF[h,e1] = 0,3 – 0 = 0,3
      Jika ada observasi baru dengan MB[h,e2]=0,2 dan MD[h,e2]=0, maka :
      MB[h,e1 ∧ e2] = 0,3 + 0,2 * (1 – 0,3)=0,44
      MD[h,e1 ∧ e2] = 0
      CF[h,e1 ∧ e2] = 0,44 – 0 = 0,44

   •   Asih menderita bintik-bintik di wajahnya. Dokter memperkirakan Asih terkena cacar dengan
       kepercayaan MB[cacar,bintik]=0,80 dan MD[cacar,bintik]=0,01 maka :
                            CF[cacar,bintik] = 0,80 – 0,01=0,79
       Jika ada observasi baru bahwa Asih juga panas badan dengan kepercayaan,
       MB[cacar,panas]=0,7 dan MD[cacar,panas]=0,08 maka :
              MB[cacar,bintik ∧ panas] = 0,8 + 0,7 * (1 – 0,8)=0,94
              MD[cacar,bintik ∧ panas] = 0,01 + 0,08 * (1 – 0,01) = 0,0892
              CF[cacar,bintik ∧ panas] = 0,94 – 0,0892 = 0,8508

2. CF dihitung dari kombinasi beberapa hipotesis
   Jika h1 dan h2 adalah hipotesis maka :
                                    MB[h1 ∧ h2,e] = min (MB[h1,e], MB[h2,e])
                                    MB[h1 ∨ h2,e] = max (MB[h1,e], MB[h2,e])
        h1             h2
                                    MD[h1 ∧ h2,e] = min (MD[h1,e], MD[h2,e])
                                    MD[h1 ∨ h2,e] = max (MD[h1,e], MD[h2,e])

Contoh :
   • Misal suatu observasi memberikan kepercayaan terhadap h1 dengan MB[h1,e]=0,5 dan
      MD[h1,e]=0,2 maka :
                            CF[h1,e] = 0,5 – 0,2 = 0,3
      Jika observasi tersebut juga memberikan kepercayaan terhadap h2 dengan MB[h2,e]=0,8 dan
      MD[h2,e]=0,1, maka :
             CF[h2,e] = 0,8 – 0,1= 0,7
      Untuk mencari CF[h1 ∧ h2,e] diperoleh dari
             MB[h1 ∧ h2,e] = min (0,5 ; 0,8) = 0,5
             MD[h1 ∧ h2,e] = min (0,2 ; 0,1) = 0,1
             CF[h1 ∧ h2,e] = 0,5 – 0,1 = 0,4
      Untuk mencari CF[h1∨ h2,e] diperoleh dari
                                                                                               16
            MB[h1∨ h2,e] = max (0,5 ; 0,8) = 0,8
            MD[h1∨ h2,e] = max (0,2 ; 0,1) = 0,2
            CF[h1∨ h2,e] = 0,8 – 0,2 = 0,6
•   Asih menderita bintik-bintik di wajahnya. Dokter memperkirakan Asih terkena cacar dengan
    kepercayaan MB[cacar,bintik] = 0,80 dan MD[cacar,bintik]=0,01 maka
                    CF[cacar,bintik] = 0,80 – 0,01 = 0,79
    Jika observasi tersebut juga memberikan kepercayaan bahwa Asih mungkin juga terkena alergi
    dengan kepercayaan MB[alergi,bintik] = 0,4 dan MD[alergi,bintik]=0,3 maka
                    CF[alergi,bintik] = 0,4 – 0,3 = 0,1
    Untuk mencari CF[cacar ∧ alergi, bintik] diperoleh dari
            MB[cacar ∧ alergi,bintik] = min (0,8 ; 0,4) = 0,4
            MD[cacar ∧ alergi,bintik] = min (0,01 ; 0,3) = 0,01
            CF[cacar ∧ alergi,bintik] = 0,4 – 0,01 = 0,39
    Untuk mencari CF[cacar ∨ alergi, bintik] diperoleh dari
            MB[cacar ∨ alergi,bintik] = max (0,8 ; 0,4) = 0,8
            MD[cacar ∨ alergi,bintik] = max (0,01 ; 0,3) = 0,3
            CF[cacar ∨ alergi,bintik] = 0,8 – 0,3 = 0,5
    Kesimpulan : semula faktor kepercayaan bahwa Asih terkena cacar dari gejala munculnya
    bintik-bintik di wajahnya adalah 0,79. Demikian pula faktor kepercayaan bahwa Ani terkena
    alergi dari gejala munculnya bintik-bintik di wajah adalah 0,1. Dengan adanya gejala yang sama
    mempengaruhi 2 hipotesis yang berbeda ini memberikan faktor kepercayaan :
            Asih menderita cacar dan alergi = 0,39
            Asih menderita cacar atau alergi = 0,5

•   Pertengahan tahun 2002, ada indikasi bahwa turunnya devisa Indonesia disebabkan oleh
    permasalahan TKI di Malaysia. Apabila diketahui MB[devisaturun,TKI]=0,8 dan
    MD[devisaturun,TKI]=0,3 maka CF[devisaturun,TKI] :
                  CF[devisaturun,TKI] = MB[devisaturun,TKI] – MD[devisaturun,TKI]
                                        0,8 – 0,3 = 0,5
    Akhir September 2002 kemarau berkepanjangan mengakibatkan gagal panen yang cukup serius,
    berdampak pada turunnya ekspor Indonesia. Bila diketahui MB[devisaturun,eksporturun] = 0,75
    dan MD[devisaturun,eksporturun] = 0,1, maka CF[devisaturun,eksporturun] dan
    CF[devisaturun,TKI ∧ eksporturun] :

    CF[devisaturun,eksporturun] = MB[devisaturun,eksporturun] – MD[devisaturun,eksporturun]
                                = 0,75 – 0,1 = 0,65

    MB[devisaturun, TKI ∧ eksporturun] =
      MB[devisaturun,TKI] + MB[devisaturun,eksporturun] * (1 – MB[devisaturun,TKI])
      = 0,8 + 0,75 * (1 – 0,8) = 0,95

    MD[devisaturun, TKI ∧ eksporturun] =
     MD[devisaturun,TKI] + MD[devisaturun,eksporturun] * (1 – MD[devisaturun,TKI])
     = 0,3 + 0,1 * (1 – 0,3) = 0,37

    CF[devisaturun,TKI ∧ eksporturun] =
      MB[devisaturun, TKI ∧ eksporturun] – MD[devisaturun, TKI ∧ eksporturun]
      = 0,95 – 0,37 = 0,58

•   Isu terorisme di Indonesia pasca bom bali tgl 12 Oktober 2002 ternyata juga ikut mempengaruhi
    turunnya devisa Indonesia sebagai akibat berkurangnya wisatawan asing. Bila diketahui
    MB[devisaturun,bombali] = 0,5 dan MD[devisaturun,bombali] = 0,3, maka
    CF[devisaturun,bombali] dan CF[devisaturun,TKI ∧ eksporturun ∧ bombali] :

    CF[devisaturun,bombali] = MB[devisaturun,bombali] – MD[devisaturun,bombali]
                              = 0,5 – 0,3 = 0,2

    MB[devisaturun, TKI ∧ eksporturun ∧ bombali] =
                                                                                                 17
         MB[devisaturun,TKI ∧ eksporturun] +     MB[devisaturun,bombali] * (1 – MB[devisaturun,
           TKI ∧ eksporturun])
           = 0,95 + 0,5 * (1 – 0,95) = 0,975

         MD[devisaturun, TKI ∧ eksporturun ∧ bombali] =
          MD[devisaturun,TKI ∧ eksporturun] + MD[devisaturun,bombali] *
           (1 – MD[devisaturun,TKI ∧ eksporturun])
           = 0,37 + 0,3 * (1 – 0,37) = 0,559

   CF[devisaturun,TKI ∧ eksporturun ∧ bombali] =
   MB[devisaturun, TKI ∧ eksporturun ∧ bombali] – MD[devisaturun, TKI ∧ eksporturun ∧ bombali]
        = 0,975 – 0,559 = 0,416

3. Beberapa aturan saling bergandengan, ketidakpastian dari suatu aturan menjadi input untuk
   aturan yang lainnya
               Maka :
     A                               MB[h,s] = MB’[h,s] * max (0,CF[s,e])
                  MB’[h,s] = ukuran kepercayaan h berdasarkan keyakinan penuh terhadap validitas s

     B            Contoh :
                             PHK = terjadi PHK
                             Pengangguran = muncul banyak pengangguran
     C                       Gelandangan = muncul banyak gelandangan

                             Aturan 1 :
                             IF terjadi PHK THEN muncul banyak pengangguran
                             CF[pengangguran, PHK] = 0,9

                             Aturan 2 :
                             IF muncul banyak pengangguran THEN muncul banyak gelandangan
                             MB[gelandangan, pengangguran] = 0,7

                             Maka =
                             MB[gelandangan, pengangguran] = [0,7] * [0,9] = 0,63
                                                                                                            18
                                        VII. LOGIKA FUZZY


Logika fuzzy adalah suatu cara untuk memetakan suatu ruang input ke dalam suatu ruang output.
Skema logika fuzzy :
                                                               Ruang output
               Ruang input


                                                 KOTAK
                                                 HITAM
               Variabel input                                           Variabel output



Antara input dan output terdapat suatu kotak hitam yang harus memetakan input ke output yang sesuai.
Misal :
        Ruang Input                                         Ruang Output
        (semua total persediaan                             (semua jumlah produksi
        barang yang mungkin)                                barang yang mungkin)


                                           KOTAK
                                           HITAM
              Persediaan                                              produksi barang
              barang akhir                                            esok




Pemetaan input-output pada masalah produksi : “diberikan data persediaan barang, berapa jumlah
barang yang harus diproduksi ?”

Ada beberapa cara/metode yang mampu bekerja di kotak hitam tersebut, misal : sistem fuzzy, jaringan
syaraf tiruan, sistem linear, sistem pakar, persamaan diferensial, dll.
Namun menurut Prof. Lotfi A. Zadeh, penemu teori logika fuzzy di tahun 1960-an :


                “Pada hampir semua kasus kita dapat menghasilkan suatu produk tanpa menggunakan logika fuzzy,
                 namun menggunakan fuzzy akan lebih cepat dan lebih murah”


                                         Input                      Output




ALASAN MENGGUNAKAN FUZZY
  1. Konsep logika fuzzy mudah dimengerti
  2. Logika fuzzy sangat fleksibel
  3. Memiliki toleransi terhadap data-data yang tidak tepat
  4. Dapat membangun dan mengaplikasikan pengalaman-pengalaman para pakar secara langsung
     tanpa harus melalui proses pelatihan
  5. Logika fuzzy didasarkan pada bahasa alami
                                                                                                                          19
APLIKASI LOGIKA FUZZY
  1. Tahun 1990 pertama kali mesin cuci dengan logika fuzzy di Jepang (Matsushita Electric
     Industrial Company). Sistem fuzzy digunakan untuk menentukan putaran yang tepat secara
     otomatis berdasarkan jenis dan banyaknya kotoran serta jumlah yang akan dicuci. Input yang
     digunakan : seberapa kotor, jenis kotoran, banyaknya yang dicuci. Mesin ini menggunakan
     sensor optik, mengeluarkan cahaya ke air dan mengukur bagaimana cahaya tersebut sampai ke
     ujung lainnya. Makin kotor, maka sinar yang sampai makin redup. Sistem juga mampu
     menentukan jenis kotoran tersebut daki/minyak.
  2. Transmisi otomatis pada mobil Nissan,menghemat bensin 12 – 17 %
  3. Kereta bawah tanah Sendai mengontrol pemberhentian otomatis pada area tertentu
  4. Ilmu kedokteran dan biologi, seperti sistem diagnosis kanker
  5. Manajemen dan pengambilan keputusan, misal tata letak pabrik berdasarkan logika fuzzy,
     pembuatan games berdasarkan logika fuzzy,dll
  6. Ilmu lingkungan, misal kendali kualitas air, prediksi cuaca
  7. Teknik,misal perancangan jaringan komputer, prediksi adanya gempa bumi, dll
  8. dsb

                                       KONSEP DASAR LOGIKA FUZZY

HIMPUNAN TEGAS (CRISP)
= nilai keanggotaan suatu item x dalam suatu himpunan A, yang sering ditulis dengan µA[x], memiliki
2 kemungkinan, yaitu :
        1, yang berarti bahwa item tersebut (x) anggota himpunan A
        0, yang berarti bahwa item tersebut (x) bukan anggota himpunan A
contoh :
    • S = [1,2,3,4,5,6] adalah semesta pembicaraan
        A = [1,2,3]
        B = [3,4,5]
        Jadi :
        nilai keanggotaan 2 pada himpunan A           µA[2] = 1 ,   karena 2 ∈ A
        nilai keanggotaan 3 pada himpunan A           µA[3] = 1 ,   karena 3 ∈ A
        nilai keanggotaan 4 pada himpunan A           µA[4] = 0 ,   karena 4 ∉ A
        nilai keanggotaan 2 pada himpunan B           µB[2] = 0 ,   karena 2 ∉ B
        nilai keanggotaan 3 pada himpunan B           µB[3] = 1 ,   karena 3 ∈ A

   •    misal variabel umur dibagi menjadi 3 kategori, yaitu :
        MUDA           umur < 35 tahun
        PAROBAYA 35 ≤ umur ≤ 55 tahun
        TUA            umur > 55 tahun

        Nilai keanggotaan secara grafis, himpunan MUDA, PAROBAYA, TUA :

                                                                     PAROBAYA                                   TUA
                      MUDA                    1                                              1
              1
                                                                                          µ[x]
       µ[x]                            µ[x]

                                              0                                                  0
              0
                  0               35              0                 35               55              0   55
                      umur (th)                                          umur (th)                            umur (th)

        usia 34 tahun     maka dikatakan MUDA         µMUDA[34] = 1
        usia 35 tahun     maka dikatakan TIDAKMUDA         µMUDA[35] = 0
        usia 35 tahun     maka dikatakan PAROBAYA         µPAROBAYA[35] = 1
        usia 34 tahun     maka dikatakan TIDAKPAROBAYA          µPAROBAYA[34] = 0
        usia 35 tahun     kurang 1 hari maka dikatakan TIDAKPAROBAYA      µPAROBAYA[35 th – 1 hari] = 0
        usia 35 tahun     lebih 1 hari maka dikatakan TIDAKMUDA     µMUDA[35 th + 1 hari] = 0

        Himpunan crisp untuk menyatakan umur bisa tidak adil karena adanya perubahan kecil saja
        pada suatu nilai mengakibatkan perbedaan kategori yang cukup signifikan.
                                                                                                     20
HIMPUNAN FUZZY
Himpunan fuzzy digunakan untuk mengantisipasi hal tersebut diatas. Seseorang dapat masuk dalam 2
himpunan yang berbeda, MUDA dan PAROBAYA, PAROBAYA dan TUA, dsb. Seberapa besar
eksistensinya dalam himpunan tersebut dapat dilihat pada nilai/derajat keanggotaannya.
Himpunan fuzzy untuk variabel UMUR :

                       MUDA                        PAROBAYA                          TUA
           1
    µ[x]


        0,5
       0,25

           0
               0                     25   35     40     45   50    55    65

                                               umur (th)

      usia 40 tahun termasuk dalam himpunan MUDA dengan µMUDA[40] = 0,25
                    termasuk juga dalam himpunan PAROBAYA dengan µ PAROBAYA [40] = 0,5
      usia 50 tahun termasuk dalam himpunan TUA dengan µTUA[50] = 0,25
                    termasuk juga dalam himpunan PAROBAYA dengan µ PAROBAYA [50] = 0,5

       Himpunan crisp, nilai keanggotaan hanya 0 dan 1.
       Himpunan fuzzy, derajat/nilai keanggotaan terletak pada rentang 0 sampai 1 sehingga :
         Bila x memiliki derajat keanggotaan fuzzy µ A [x] = 0     x bukan anggota himpunan A
         Bila x memiliki derajat keanggotaan fuzzy µ A [x] = 1     x anggota penuh himpunan A



FUNGSI KEANGGOTAAN (Membership function)
= suatu kurva yang menunjukkan pemetaan titik-titik input data ke dalam nilai/derajat keanggotaannya
yang memiliki interval antara 0 sampai 1.
Contoh grafik diatas adalah suatu fungsi keanggotaan untuk variabel UMUR yang dibagi menjadi 3
kategori atau 3 himpunan fuzzy yaitu MUDA, PAROBAYA, TUA, dimana dapat direpresentasikan
sebagai berikut :
             ⎧1,           x ≤ 25                                 ⎧0,           x ≤ 45
             ⎪ 45 - x                                             ⎪ x - 45
             ⎪                                                    ⎪
µ MUDA [x] = ⎨         ,    25 < x < 45               µ TUA [x] = ⎨         ,   45 < x < 65
             ⎪ 45 - 25                                              65 - 45
                                                                  ⎪
             ⎪0,
             ⎩              x ≥ 45                                ⎪1,           x ≥ 65
                                                                  ⎩
                ⎧
                ⎪0,              x ≤ 35 atau x ≥ 55
                ⎪
                ⎪ x - 35
µ PAROBAYA[x] = ⎨         ,      35 < x < 45
                ⎪ 45 - 35
                ⎪ 55 - x
                ⎪ 55 - 45 ,         45 ≤ x ≤ 55
                ⎩

WATAK KEKABURAN
Perhatikan pernyataan dibawah ini :
Mesin yang digunakan terus-menerus akan cepat panas
   kita tidak dapat menentukan dengan tepat batasan terus-menerus, cepat, dan panas

Jika air pancuran terlalu panas maka naikkan aliran air dingin perlahan-lahan
   kita tidak dapat menentukan dengan tepat batasan terlalu panas, menaikkan, air yang dingin, dan
perlahan-lahan

                    maka solusinya dengan menggunakan LOGIKA FUZZY (logika samar)
                                                                                                                        21
VARIABEL LINGUSTIK
• Variabel linguistik = sebuah variabel yang memiliki nilai berupa kata-kata dalam bahasa alamiah
  bukan angka.
•   Mengapa menggunakan kata/kalimat daripada angka ?      karena peranan linguistik memang kurang
    spesifik dibandingkan angka, namun informasi yang disampaikan lebih informatif.
    Contoh, jika “KECEPATAN” adalah variabel linguistik, maka nilai linguistik untuk variabel
    kecepatan adalah, misalnya “LAMBAT”, “SEDANG”, “CEPAT”. Hal ini sesuai dengan kebiasaan
    manusia sehari-hari dalam menilai sesuatu, misalnya : “Ia mengendarai mobil dengan cepat”, tanpa
    memberikan nilai berapa kecepatannya.
•   Setiap variabel lingustik berkaitan dengan sebuah fungsi keanggotaan.
•   Menurut Wang (1997) definisi formal dari variabel linguistik diberikan sebagai berikut:
    Sebuah variabel linguistik dikarakterisasi oleh (X, T(x), U, M), dimana :
    X    = Nama variabel (variabel linguistik) yang menjadi objek
    T(x) = Himpunan semua istilah (nilai-nilai) linguistik yang terkait dengan (nama) variabel (X) yang menggambarkan
           objek tersebut
    U     = Domain fisik aktual/ruang lingkup dimana variabel linguistik X mengambil nilai-nilai kuantitatifnya/nilai
            numeris (crisp) himpunan semesta
    M     = Suatu aturan semantik yang menghubungkan setiap nilai linguistik dalam T dengan suatu himpunan fuzzy
            dalam U.
    Dari contoh diatas, maka diperoleh:
       X = kecepatan
       U = [0 , 100]     maksudnya domain/ruang lingkup kecepatan misal dari 0 sampai 100 km/jam
       T(kecepatan) = {lambat, sedang, cepat}   maksudnya variabel kecepatan terbagi menjadi 3
                                                himpunan fuzzy yaitu lambat, sedang, cepat
       Maka M untuk setiap X, M(x) adalah: M(lambat), M(sedang), M(cepat)
       M(lambat) = himpunan fuzzynya “kecepatan dibawah 40 Km/jam” dengan fungsi keanggotaan
                      µlambat
       M(sedang) = himpunan fuzzynya “kecepatan mendekati 55 Km/jam” dengan fungsi
                      keanggotaan µsedang.
       M(cepat) = himpunan fuzzynya “kecepatan diatas 70 Km/jam ” dengan fungsi keanggotaan
                      µcepat.
    Gambar grafik fungsi keanggotaannya sebagai berikut :


                lambat                sedang                   cepat
           1




           0                                                                    X
                       40                55             70
                            Grafik fungsi keanggotaan kecepatan
    Sehingga himpunan fuzzy untuk :
    M(lambat) = {(0,1),(1,1),(2,1), … , (40,1), …, (47,0.533), …, (55,0), (56,0), … ,(100,0)}
    M(sedang) = {(0,0),(1,0),(2,0), … , (40,0), …, (47,0.533), …, (55,1), (56,0.933), … ,(100,0)}
    M(cepat) = {(0,0),(1,1),(2,1), … , (40,1), …, (47,0), …, (55,0), (56,0.066), …,(68,0.866) (70,1),… ,(100,1)}

OPERASI DASAR HIMPUNAN FUZZY (Operator Zadeh)
Digunakan untuk mengkombinasi dan memodifikasi himpunan fuzzy. Nilai keanggotaan sebagai hasil
dari operasi 2 himpunan disebut fire strength atau α predikat.

Operator    Operasi                     Fungsi keanggotaan
AND      Intersection             µ(A∩B)(x) = min[µA(x), µB(x)]
OR       Union                    µ(A∪B)(x) = max[µA(x), µB(x)]
                                     c
NOT      Complement               µA (x) = 1- µA(x)
                                                                                               22
Contoh :
   • U = {1,2,3,4,5,6}
      A = {(1,0), (2,0.2), (3,0.6), (4,0.9), (5,1), (6,0.8)}
      B = {(1,0.8), (2,1), (3,0.7), (4,0.4), (5,0.1), (6,0)}
      Maka α predikat untuk :
         c
      A = {(1,1), (2,0.8), (3,0.3), (4,0.1), (5,0), (6,0.2)}
         c
      B = {(1,0.2), (2,0), (3,0.3), (4,0.6), (5,0.9), (6,1)}
      A∩B = {(1,0), (2,0.2), (3,0.6), (4,0.4), (5,0.1), (6,0)}
      A∪B = {(1,0.8), (2,1), (3,0.7), (4,0.9), (5,1), (6,0.8)}

    •   Misal derajat keanggotaan 27 tahun pada himpunan MUDA adalah 0.6 (µMUDA[27] = 0.6)
        Derajat keanggotaan Rp.2 juta pada himpunan penghasilan TINGGI adalah 0.8
        (µGAJITINGGI[2juta] = 0.8) maka α predikat untuk usia MUDA dan berpenghasilan TINGGI :
               µMUDA ∩ µGAJITINGGI = min (µMUDA[27], µGAJITINGGI[2juta])
                                          = min (0.6 , 0.8) = 0.6

ATURAN (RULE) IF-THEN FUZZY
• Aturan IF-THEN fuzzy adalah penyataan IF-THEN dimana beberapa kata-kata dalam pernyataan
  tersebut ditentukan oleh fungsi keanggotaan.
• Aturan produksi fuzzy adalah relasi fuzzy antara dua proposisi fuzzy. Aturan tersebut dinyatakan
  dalam bentuk:
               IF (proposisi fuzzy 1) THEN (proposisi fuzzy 2)


               Disebut anteceden/premis            Disebut consequent/kesimpulan

•   Proposisi fuzzy adalah memiliki derajat kebenaran yang dinyatakan dalam suatu bilangan dalam
    bentuk interval [0,1], dimana benar dinyatakan oleh nilai 1 dan salah dinyatakan oleh nilai 0.
•   Premis dari aturan fuzzy dapat memiliki lebih dari satu bagian (premis1, premis2, …dst), semua
    bagian dari premis dihitung secara simultan dan diselesaikan untuk sebuah nilai tunggal dengan
    penggunakan operator fuzzy dalam himpunan fuzzy.

               IF premis 1 AND premis 2            THEN kesimpulan 1 AND kesimpulan 2

        Dimana : AND adalah operator fuzzy
                 Premis 1 dan premis 2 berupa variabel masukan
                 Kesimpulan 1 dan kesimpulan 2 berupa variabel keluaran

        Contoh :
        IF permintaan turun AND persediaan banyak THEN produksi barang berkurang

        IF permintaan naik AND persediaan sedikit THEN produksi barang bertambah

        Dimana :
           Permintaan, persediaan     : variabel masukan
           Produksi barang            : variabel keluaran
           Turun, naik                : kategori himpunan fuzzy dari permintaan
           Banyak, sedikit            : kategori himpunan fuzzy dari persediaan
           Berkurang, bertambah       : kategori himpunan fuzzy dari produksi barang

TAHAPAN MEMBANGUN SISTEM FUZZY
Tahapan membangun sistem fuzzy tergantung metode yang digunakan, karena banyak teori/metode
untuk membangun sistem fuzzy. Namun secara garis besar dapat disimpulkan sebagai berikut :
                                    Sistem Fuzzy


    input                                            Proses penentuan    output
                   Fuzzifikasi      Inferensi
    crisp                                              output crisp      crisp
                                                                                                      23
Fuzzifikasi
= mengambil masukan nilai crisp dan menentukan derajat dimana nilai-nilai tersebut menjadi anggota
dari setiap himpunan fuzzy yang sesuai membuat fungsi keanggotaan
Contoh : masukan crisp 75 derajat ditransformasikan sebagai panas dalam bentuk fuzzy dengan derajat
keanggotaan 0.80.

Inferensi
- mengaplikasikan aturan pada masukan fuzzy yang dihasilkan dalam proses fuzzyfikasi
- mengevaluasi tiap aturan dengan masukan yang dihasilkan dari proses fuzzyfikasi dengan
   mengevaluasi hubungan atau derajat keanggotaan anteceden/premis setiap aturan.
- derajat keanggotaan/nilai kebenaran dari premis digunakan untuk menentukan nilai kebenaran
   bagian consequent/kesimpulan

Proses penentuan Output Crisp
Tergantung teori/metode yang digunakan


                                      METODE TSUKAMOTO

Suatu perusahaan makanan kaleng akan memproduksi makanan jenis ABC.
Dari data 1 bulan terakhir, permintaan terbesar mencapai 5000 kemasan/hari, dan permintaan terkecil
sampai 1000 kemasan/hari.
Persediaan barang di gudang terbanyak sampai 600 kemasan/hari, dan terkecil pernah 100
kemasan/hari.
Dengan segala keterbatasannya, sampai saat ini, perusahaan baru mampu memproduksi barang
maksimum 7000 kemasan/hari, serta demi efisiensi mesin dan SDM perusahaan memproduksi paling
tidak 2000 kemasan.
Apabila proses produksi perusahaan tersebut menggunakan 4 aturan fuzzy :
R1   :   IF   permintaan   turun AND persediaan banyak THEN produksi barang berkurang
R2   :   IF   permintaan   turun AND persediaan sedikit THEN produksi barang berkurang
R3   :   IF   permintaan   naik AND persediaan banyak THEN produksi barang bertambah
R4   :   IF   permintaan   naik AND persediaan sedikit THEN produksi barang bertambah
Berapa kemasan makanan jenis ABC yang harus diproduksi, jika jumlah permintaan sebanyak 4000
kemasan dan persediaan di gudang masih 300 kemasan?

Solusi :

FUZZIFIKASI          membuat fungsi keanggotaan

Ada 3 variabel fuzzy yang akan dimodelkan, yaitu :

1. PERMINTAAN
   Terdiri atas 2 himpunan fuzzy yaitu NAIK dan TURUN

                             ⎧1,                  x ≤ 1000          Derajat/nilai keanggotaan :
                             ⎪ 5000 - x                             µ permintaanTURUN[4000]
                             ⎪
     µ permintaanTURUN [x] = ⎨             ,      1000 < x < 5000
                             ⎪ 5000 - 1000                          = (5000 - 4000) / 4000
                             ⎪0,
                             ⎩                     x ≥ 5000         = 0,25

                            ⎧0,                 x ≤ 1000            µ permintaanNAIK[4000]
                            ⎪ x - 1000
                            ⎪                                       = (4000 - 1000) / 4000
     µ permintaanNAIK [x] = ⎨             ,    1000 < x < 5000
                            ⎪ 5000 - 1000
                                                                    = 0,75
                            ⎪
                            ⎩1,                x ≥ 5000
                                                                                                                24

                  µ [x]
                               TURUN                                      NAIK
                    1

                 0,75


                 0,25

                    0
                          0      1000                  4000        5000
                                     Permintaan (kemasan/hari)

2. PERSEDIAAN
   Terdiri atas 2 himpunan fuzzy yaitu SEDIKIT dan BANYAK

                             ⎧1,                                y ≤ 100           Derajat/nilai keanggotaan :
                             ⎪ 600 - y                                            µ persediaanSEDIKIT[300]
                             ⎪
   µ persediaanSEDIKIT [y] = ⎨           ,                  100 < x < 600
                             ⎪ 600 - 100                                          = (600 - 300) / 500
                             ⎪0,
                             ⎩                                  y ≥ 600           = 0,6

                            ⎧0,                                    y ≤ 100        µ persediaanBANYAK[300]
                            ⎪ y - 100
                            ⎪                                                     = (300 - 100) / 500
   µ persediaanBANYAK [y] = ⎨           ,                         100 < y < 600
                            ⎪ 600 - 100                                           = 0,4
                            ⎪1,
                            ⎩                                      y ≥ 600

     µ [y]
                 SEDIKIT                                    BANYAK
       1


      0,6
      0,4


       0
             0      100                300                600
                              Persediaan (kemasan/hari)


3. PRODUKSI BARANG
   Terdiri atas 2 himpunan fuzzy yaitu BERKURANG dan BERTAMBAH

                             ⎧1,             z ≤ 2000
                             ⎪ 7000 - z
                             ⎪
   µ produksiBERKURANG [z] = ⎨             , 2000 < z < 7000
                             ⎪ 7000 - 2000
                             ⎪0,
                             ⎩               z ≥ 7000

                             ⎧0,             z ≤ 2000
                             ⎪ z - 2000
                             ⎪
   µ produksiBERTAMBAH [z] = ⎨             , 2000 < z < 7000
                             ⎪ 7000 - 2000
                             ⎪1,
                             ⎩                z ≥ 7000
                                                                                                25

     µ [z]
                 BERKURANG                                BERTAMBAH
       1




       0
             0    2000                              7000
                         Produksi barang (kemasan/hari)

INFERENSI           evaluasi rule, operator Zadeh digunakan sehingga didapat α predikat untuk
                    menentukan z

Aturan 1
R1 : IF permintaan turun AND persediaan banyak THEN produksi barang berkurang

 α predikat1 = µpermintaanTURUN ∩ µpersediaanBANYAK
             = min ( µpermintaanTURUN[4000] ∩ µpersediaanBANYAK[300])
                 = min (0.25;0.4) = 0,25
 Untuk α predikat1 = 0,25 pada himpunan produksiBERKURANG
  = (7000 - z)/(7000 - 2000) = 0,25
   ⇒ z1 = 5750


Aturan 2
R1 : IF permintaan turun AND persediaan sedikit THEN produksi barang berkurang

 α predikat2 = µpermintaanTURUN ∩ µpersediaanSEDIKIT
             = min ( µpermintaanTURUN[4000] ∩ µpersediaanSEDIKIT[300])
                 = min (0.25;0.6) = 0,25
 Untuk α predikat2 = 0,25 pada himpunan produksiBERKURANG
  = (7000 - z)/(7000 - 2000) = 0,25
   ⇒ z2 = 5750


Aturan 3
R1 : IF permintaan naik AND persediaan banyak THEN produksi barang bertambah

 α predikat3 = µpermintaanNAIK ∩ µpersediaanBANYAK
             = min ( µpermintaanNAIK[4000] ∩ µpersediaanBANYAK[300])
                 = min (0.75;0.4) = 0,4
 Untuk α predikat3 = 0,4 pada himpunan produksiBERTAMBAH
  = (z - 2000)/(7000 - 2000) = 0,4
   ⇒ z3 = 4000

Aturan 4
R1 : IF permintaan naik AND persediaan sedikit THEN produksi barang bertambah

 α predikat4 = µpermintaanNAIK ∩ µpersediaanSEDIKIT
             = min ( µpermintaanNAIK[4000] ∩ µpersediaanSEDIKIT[300])
                 = min (0.75;0.6) = 0,6
 Untuk α predikat4 = 0,6 pada himpunan produksiBERTAMBAH
  = (z - 2000)/(7000 - 2000) = 0,6
   ⇒ z4 = 5000
                                                                                                     26
MENENTUKAN OUTPUT CRISP
Pada metode TSUKAMOTO untuk menentukan output crisp menggunakan rata-rata berbobot yaitu :
        α1 z1 + α 2 z 2 + α 3 z3 + α 4 z 4
z=
              α1 + α 2 + α 3 + α 4
    0,25 * 5750 + 0,25 * 5750 + 0,4 * 4000 + 0,6 * 5000
    =
                  0,25 + 0,25 + 0,4 +0,6
  = 7475 / 1,5 = 4983
Jadi jumlah makanan kaleng yang harus diproduksi 4983 kemasan




                                     BASIS DATA FUZZY METODE TAHANI

Basis Data Standar

Data karyawan mentah
NIP         Nama         Tgl Lahir       Thn Masuk       Gaji/bl
01           Lia        03-06-1972         1996          750000
02          Iwan        23-09-1954         1985          1500000
03           Sari       12-12-1966         1988          1255000
04          Andi        06-03-1965         1998          1040000
05          Budi        04-12-1960         1990          950000
06          Amir        18-11-1963         1989          1600000
07          Rian        28-05-1965         1997          1250000
08           Kiki       09-07-1971         2001          550000
09          Alda        14-08-1967         1999          735000
10          Yoga        17-09-1977         2000          860000

Data karyawan setelah diolah
NIP         Nama         Umur(th)       Masa kerja(th)    Gaji/bl
01           Lia           30                 6           750000
02          Iwan           48                17           1500000
03           Sari          36                14           1255000
04          Andi           37                 4           1040000
05          Budi           42                12           950000
06          Amir           39                13           1600000
07          Rian           37                 5           1250000
08           Kiki          32                 1           550000
09          Alda           35                 3           735000
10          Yoga           25                 2           860000

•       Query untuk mendapatkan informasi karyawan umurnya kurang dari 35 tahun :
        SELECT NAMA FROM KARYAWAN WHERE (UMUR < 35)
        Hasil : Lia, Kiki, Yoga

•       Query untuk mendapatkan informasi karyawan gajinya lebih dari 1 juta :
        SELECT NAMA FROM KARYAWAN WHERE (GAJI > 1000000)
        Hasil : Iwan, Sari, Andi, Amir, Rian

•       Query untuk mendapatkan informasi karyawan masa kerja kurang dari atau sama dengan 5 tahun
        tetapi gaji sudah lebih dari 1 juta :
        SELECT NAMA FROM KARYAWAN WHERE (MASAKERJA <= 5) AND (GAJI > 1000000)
        Hasil : Andi, Rian
                                                                                                                 27
Basis Data Fuzzy Model Tahani

UMUR
Umur karyawan dikategorikan ke himpunan MUDA, PAROBAYA, TUA

            ⎧1,                      x ≤ 30
            ⎪ 40 - x                                                               ⎧0 ,            x ≤ 40
            ⎪                                                                      ⎪ x - 40
µ MUDA[x] = ⎨        ,              30 < x < 40                                    ⎪
            ⎪   10                                                      µ TUA[x] = ⎨         ,     40 < x < 50
                                                                                   ⎪ 50 - 40
            ⎪0 ,
            ⎩                        x ≥ 40
                                                                                   ⎪1,
                                                                                   ⎩               x ≥ 50
                ⎧
                ⎪1,                           x ≤ 35 atau x ≥ 50
                ⎪
                ⎪ x - 35
µ PAROBAYA[x] = ⎨           ,                 35 < x < 45
                ⎪ 45 - 35
                ⎪ 50 - x
                ⎪ 50 - 45 ,                   45 ≤ x ≤ 50
                ⎩
                  MUDA                      PAROBAYA                   TUA
       1


      µ [x]




       0
              0          30         35        40       45         50
                                                      umur (th)

Karyawan berdasarkan umur
NIP        Nama          Umur(th)                   Derajat keanggotaan (µ[x])
                                               MUDA       PAROBAYA             TUA
 01         Lia               30                 1              0                0
 02        Iwan               48                 0             0,4              0,8
 03         Sari              36                0,4            0,1               0
 04        Andi               37                0,3            0,2               0
 05        Budi               42                 0             0,7              0,2
 06        Amir               39                0,1            0,4               0
 07        Rian               37                0,3            0,2               0
 08        Kiki               32                0,8             0                0
 09        Alda               35                0,5             0                0
 10        Yoga               25                 1              0                0

MASA KERJA
Masa kerja karyawan dikategorikan ke himpunan BARU, LAMA

            ⎧1,                     y≤5                            ⎧0,                y ≤ 10
            ⎪15 - y                                                ⎪ y - 10
            ⎪                                                      ⎪
µ BARU[y] = ⎨        ,             5 < y < 15          µ LAMA[y] = ⎨        ,        10 < y < 25
            ⎪ 15 - 5                                               ⎪15 - 10
            ⎪0,                     x ≥ 15                         ⎪1,
                                                                   ⎩                 y ≥ 25
            ⎩

                  BARU                                                 LAMA
       1


      µ [y]




       0
              0           5         10        15                  25
                                   masa kerja (th)
                                                                                                                        28
Karyawan berdasarkan masa kerja
NIP           Nama          Masa kerja(th)       Derajat keanggotaan (µ[x])
                                                  BARU            LAMA
    01         Lia                6                 0,9              0
    02        Iwan               17                  0             0,467
    03         Sari              14                 0,1            0,267
    04        Andi                4                  1               0
    05        Budi               12                 0,3            0,133
    06        Amir               13                 0,2            0,200
    07        Rian                5                  1               0
    08        Kiki                1                  1               0
    09        Alda                3                  1               0
    10        Yoga                2                  1               0

GAJI
Gaji karyawan dikategorikan ke himpunan RENDAH, SEDANG, TINGGI

              ⎧1,                              z ≤ 300                              ⎧0,               z ≤ 1000
              ⎪ 800 - z                                                             ⎪ z - 1000
              ⎪                                                                     ⎪
µ RENDAH[z] = ⎨           ,                    300 < z < 800          µ TINGGI[z] = ⎨             ,   1000 < z < 2000
                800 - 300                                                           ⎪ 2000 - 1000
              ⎪
              ⎪                                z ≥ 800                              ⎪
                                                                                    ⎩1,               z ≥ 2000
              ⎩0,
              ⎧
              ⎪0,                               z ≤ 500 atau z ≥ 1500
              ⎪
              ⎪ z - 500
µ SEDANG[z] = ⎨           ,                     500 < z < 1000
              ⎪1000 - 500
              ⎪ 1500 - z
              ⎪1500 - 1000 ,                    1000 ≤ z ≤ 1500
              ⎩

              RENDAH                     SEDANG                  TINGGI
    1


µ [z]




    0
          0           300      500       800          1000     1500      2000

                                         gaji (bln)

Karyawan berdasarkan gaji
NIP           Nama           Gaji(bln)                Derajat keanggotaan (µ[x])
                                               RENDAH         SEDANG           TINGGI
    01         Lia             750000             0,1            0,50              0
    02        Iwan            1500000              0             0,49            0,255
    03         Sari           1255000              0               0             0,500
    04        Andi            1040000              0             0,92            0,040
    05        Budi             950000              0             0,90              0
    06        Amir            1600000              0              0              0,600
    07        Rian            1250000              0             0,50            0,250
    08        Kiki             550000            0,5              0                0
    09        Alda             735000            0,13             0                0
    10        Yoga             860000              0              0                0

•        Query untuk mendapatkan informasi karyawan yang masih muda tapi gaji tinggi :
         SELECT NAMA FROM KARYAWAN WHERE (UMUR = “MUDA”) AND (GAJI = “TINGGI”)
                                                                                                 29
     NIP     Nama        Umur           Gaji              Derajat keanggotaan (µ[x])
                                                   MUDA      TINGGI     MUDA & TINGGI
      03       Sari        36         1500000       0,4         0,5              0,4
      07      Rian         37         1250000       0,3        0,25             0,25
      06      Amir         39         1600000       0,1         0,6              0,1
      04      Andi         37         1040000       0,3        0,04             0,04
      01       Lia         30          750000        1           0                0
      02      Iwan         48         1255000        0        0,255               0
      05      Budi         42          950000        0           0                0
      08      Kiki         32         550000        0,8          0                0
      09      Alda         35          735000       0,5          0                0
      10      Yoga         25          860000        1           0                0

    Hasil : Sari, Rian, Amir, Andi
            max = Sari

•   Query untuk mendapatkan informasi karyawan yang masih muda atau karyawan gaji tinggi :
    SELECT NAMA FROM KARYAWAN WHERE (UMUR = “MUDA”) OR (GAJI = “TINGGI”)

     NIP     Nama        Umur           Gaji              Derajat keanggotaan (µ[x])
                                                   MUDA     TINGGI      MUDA OR TINGGI
      01       Lia         30          750000        1          0                1
      10      Yoga         25          860000        1          0                1
      08      Kiki         32         550000        0,8         0               0,8
      06      Amir         39         1600000       0,1        0,6              0,6
      03       Sari        36         1500000       0,4        0,5              0,5
      09      Alda         35          735000       0,5         0               0,5
      04      Andi         37         1040000       0,3       0,04              0,3
      07      Rian         37         1250000       0,3       0,25              0,3
      02      Iwan         48         1255000        0       0,255             0,255
      05      Budi         42          950000        0          0                0

    Hasil : Hanya 1 yang tidak memenuhi kategori tersebut yaitu Budi


•   Query untuk mendapatkan informasi karyawan yang masih muda tapi masa kerja sudah lama :
    SELECT NAMA FROM KARYAWAN WHERE (UMUR = “MUDA”) AND
                                                 (MASAKERJA = “LAMA”)

     NIP     Nama        Umur        Masa kerja           Derajat keanggotaan (µ[x])
                                                   MUDA      LAMA        MUDA & LAMA
      03       Sari        36            14         0,4       0,267            0,267
      07      Amir         39            13         0,1        0,2              0,1
      06       Lia         30             6          1          0                0
      04      Iwan         48            17          0        0,467              0
      01      Andi         37            4          0,3         0                0
      02      Budi         42            12          0        0,133              0
      05      Rian         37             5         0,3         0                0
      08      Kiki         32            1          0,8         0                0
      09      Alda         35             3         0,5         0                0
      10      Yoga         25             2          1          0                0

    Hasil : Sari, Amir
            max = Sari

•   Query untuk mendapatkan informasi karyawan yang parobaya dan gajinya sedang, atau karyawan
    yang parobaya tapi masa kerja sudah lama :
    SELECT NAMA FROM KARYAWAN WHERE
          ((UMUR = “PAROBAYA”) AND (GAJI = “SEDANG”)) OR
          ((UMUR = “PAROBAYA”) AND (MASAKERJA = “LAMA”))
                                                                                               30
                                               Derajat Keanggotaan
 NIP   Nama    PAROBAYA     SEDANG     PAROBAYA PAROBAYA LAMA              PAROBAYA   (1) OR (2)
                                       & SEDANG                             & LAMA
                                           (1)                                 (2)
 05    Budi       0,7         0,9          0,7           0,7       0,133      0,133      0,7
 02    Iwan       0,4         0,49         0,4           0,4       0,467       0,4       0,4
 04    Andi       0,2         0,92         0,2           0,2         0          0        0,2
 06    Amir       0,4           0           0            0,4        0,2        0,2       0,2
 07    Rian       0,2          0,5         0,2           0,2         0          0        0,2
 03     Sari      0,1           0           0            0,1       0,267       0,1       0,1
 01     Lia        0           0,5          0             0          0          0         0
 08    Kiki        0            0           0             0          0          0         0
 09    Alda        0            0           0             0          0          0         0
 10    Yoga        0            0           0             0          0          0         0

Hasil : Budi, Iwan, Andi, Amir, Rian, Sari
        max = Budi
                                                                                                  31
                VIII.PENGANTAR JARINGAN SYARAF TIRUAN (JST)

JARINGAN SYARAF BIOLOGIS (JSB)
                                    11
  • Otak manusia berisi sekitar 10 sel syaraf (neuron) yang bertugas untuk memproses informasi
                                                                                       4
     yang masuk. Tiap sel syaraf dihubungkan dengan sel syaraf lain hingga sekitar 10 sinapsis. Tiap
     sel bekerja seperti suatu prosesor sederhana. Masing-masing sel tersebut saling berinteraksi
     sehingga mendukung kemampuan kerja otak manusia.




                        akson dari sel
                        syaraf lain

                                sinapsis
                                                                          sinyal ke neuron lain
                                                                 akson
                                         badan sel
      dendrit                             (soma)




                                         Gambar NEURON
                                                                                                  32
                            dendrit



                                                            akson

                                           badan sel




                                     inti sel
                       sinapsis
                                   (neucleus)




Komponen utama neuron dapat dikelompokkan menjadi 3 bagian :
  1. Dendrit = bertugas menerima informasi = jalur input bagi soma
  2. Badan sel (soma) = tempat pengolahan informasi
  3. Akson = bertugas mengirimkan impuls-impuls sinyal ke sel syaraf lain = jalur output bagi soma

Perhatikan gambar-gambar diatas :
 • Sebuah neuron menerima impuls-impuls sinyal (informasi) dari neuron lain melalui dendrit dan
     mengirimkan sinyal yang dibangkitkan (hasil penjumlahan) oleh badan sel melalui akson.
 • Akson dari sel syaraf ini bercabang-cabang dan berhubungan dengan dendrit dari sel syaraf lain
     dengan cara mengirimkan impuls melalui sinapsis.
 • Sinapsis adalah unit fungsional antara 2 buah sel syaraf, misal A dan B, dimana yang satu adalah
     serabut akson dari neuron A dan satunya lagi adalah dendrit dari neuron B.
 • Kekuatan sinapsis bisa menurun / meningkat tergantung seberapa besar tingkat propagasi
     (penyiaran) sinyal yang diterimanya.
 • Impuls-impuls sinyal (informasi) akan diterima oleh neuron lain jika memenuhi batasan tertentu,
     yang sering disebut dengan nilai ambang (threshold).

                                                badan sel
   Model Struktur                     dendrit
   NEURON JSB                                           threshold




                                                                 akson

                                          summation

JARINGAN SYARAF TIRUAN (JST)
  • JST didefinisikan sebagai suatu sistem pemrosesan informasi yang mempunyai karakteristik
     menyerupai jaringan syaraf manusia (JSB)
  • JST tercipta sebagai suatu generalisasi model matematis dari pemahaman manusia (human
     cognition) yang didasarkan atas asumsi sebagai berikut :
     1. Pemrosesan informasi terjadi pada elemen sederhana yang disebut neuron
     2. Sinyal mengalir diantara sel saraf/neuron melalui suatu sambungan penghubung
     3. Setiap sambungan penghubung memiliki bobot yang bersesuaian. Bobot ini akan digunakan
        untuk menggandakan / mengalikan sinyal yang dikirim melaluinya.
     4. Setiap sel syaraf akan menerapkan fungsi aktivasi terhadap sinyal hasil penjumlahan
        berbobot yang masuk kepadanya untuk menentukan sinyal keluarannya.
                                                                                                33
•   Perbandingan kemampuan otak manusia dengan CPU

              Parameter              Otak manusia                    CPU
                                    11                      8
       Elemen pengolah            10 sinapsis             10 transistor
                                     –6                      –6
       Ukuran elemen              10 m                    10 m
       Energi yang digunakan      30 W                    30 W (CPU)
                                                             9
       Kecepatan pengolah         100 Hz                  10 Hz
       Bentuk komputasi           Paralel terdistribusi   Serial terpusat
       Fault tolerant             Ya                      Tidak
       Proses belajar             Ya                      Tidak
       Kepandaian                 Selalu                  Tidak (kadang-kadang)

    Analogi JST dengan JSB
           JST            J S Biologis
     Node / input     Badan sel (soma)
     Input            Dendrit
     Output           Akson
     Bobot            Sinapsis


Model Struktur NEURON JST


              Bobot                   Fungsi Aktivasi
                                                                      Bobot
Input dari                                                                    Output ke
                                                          Output              neuron lain
neuron lain




                                         unit
                        w j1             pengolah j
         X1
                        w j2                 ∑
         X2             w jn

         X3                    kekuatan hubungan
                               (bobot)
                input                                              output




•   Jaringan syaraf tiruan dapat belajar dari pengalaman, melakukan generalisasi atas contoh-contoh
    yang diperolehnya dan mengabstraksi karakteristik esensial input bahkan untuk data yang tidak
    relevan.
•   Algoritma untuk JST beroperasi secara langsung dengan angka sehingga data yang tidak
    numerik harus diubah menjadi data numerik.
•   JST tidak diprogram untuk menghasilkan keluaran tertentu. Semua keluaran atau kesimpulan
    yang ditarik oleh jaringan didasarkan pada pengalamannya selama mengikuti proses
    pembelajaran. Pada proses pembelajaran, ke dalam JST dimasukkan pola-pola input (dan
    output) lalu jaringan akan diajari untuk memberikan jawaban yang bisa diterima.
•   Pada dasarnya karakteristik JST ditentukan oleh :
        1. Pola hubungan antar neuron (disebut arsitektur jaringan)
        2. Metode penentuan bobot-bobot sambungan (disebut dengan pelatihan atau proses belajar
           jaringan)
        3. Fungsi aktivasi
                                                                                                   34
ARSITEKTUR JST
  • Pada JST, neuron-neuron akan dikumpulkan dalam lapisan-lapisan (layer) yang disebut dengan
     lapisan neuron (neuron layers).
  • Neuron-neuron pada satu lapisan akan dihubungkan dengan lapisan-lapisan sebelum dan
     sesudahnya.
  • Informasi yang diberikan pada jaringan syaraf akan dirambatkan lapisan ke lapisan, mulai dari
     lapisan input sampai ke lapisan output melalui lapisan tersembunyi (hidden layer).
  • Gambar berikut ini jaringan syaraf dengan 3 lapisan dan bukanlah struktur umum jaringan
     syaraf karena beberapa jaringan syaraf ada yang tidak memiliki lapisan tersembunyi.


                                                                       Nilai input


                                                                 Neuron-neuron
                                                               pada lapisan input


                                                                   Neuron-neuron
                                                        pada lapisan tersembunyi


                                                                 Neuron-neuron
                                                             pada lapisan output



                                                                     Nilai output

   •   Faktor terpenting dalam menentukan kelakuan suatu neuron adalah fungsi aktivasi dan pola
       bobotnya.
   •   Umumnya neuron-neuron yang terletak pada lapisan yang sama akan memiliki keadaan yang
       sama sehingga pada setiap lapisan yang sama neuron-neuron memiliki fungsi aktivasi yang
       sama.
   •   Bila neuron-neuron pada suatu lapisan (misal lapisan tersembunyi) akan dihubungkan dengan
       neuron-neuron pada lapisan lain (misal lapisan output) maka setiap neuron pada lapisan tersebut
       (lapisan tersembunyi) juga harus dihubungkan dengan setiap neuron pada lapisan lainnya
       (lapisan output)
   •   Macam arsitektur JST ada 3 :
       1. Jaringan dengan lapisan tunggal (single layer net)
           Hanya memiliki 1 lapisan dengan bobot-bobot terhubung. Jaringan ini hanya menerima input
           kemudian secara langsung akan mengolahnya menjadi output tanpa harus melalui lapisan
           tersembunyi. Pada gambar berikut neuron-neuron pada kedua lapisan saling berhubungan.
           Seberapa besar hubungan antara 2 neuron ditentukan oleh bobot yang bersesuaian. Semua
           unit input akan dihubungkan dengan setiap unit output.


                                                                           Nilai input



                       X1          X2          X3                      Lapisan input


                    w 11                  w 31
                            w 12                                       Matriks bobot
                                   w 22
                            w 21                 w 32


                             Y1           Y2                          Lapisan output




                                                                         Nilai output
                                                                                                    35
          2. Jaringan dengan banyak lapisan (multilayer net)
             Memiliki 1 atau lebih lapisan yang terletak diantara lapisan input dan lapisan output.
             Umumnya ada lapisan bobot-bobot yang terletak antara 2 lapisan yang bersebelahan.
             Jaringan dengan banyak lapisan ini dapat menyelesaikan permasalahan yang lebih sulit
             daripada lapisan tunggal, tentu saja dengan pembelajaran yang lebih rumit. Pada banyak
             kasus, pembelajaran pada jaringan dengan banyak lapisan ini lebih sukses dalam
             menyelesaikan masalah.


                                                                       Nilai input



                  X1            X2           X3                     Lapisan input


                v11                     v 31
                       v 12                                Matriks bobot pertama
                                 v 22
                       v 21                    v 32


                           Z1           Z2                 Lapisan tersembunyi



                       v1               v2                  Matriks bobot kedua




                                Y                                Lapisan output



                                                                      Nilai output



          3. Jaringan dengan lapisan kompetitif (competitive layer net)
             Pada jaringan ini sekumpulan neuron bersaing untuk mendapatkan hak menjadi aktif.
             Umumnya hubungan antar neuron pada lapisan kompetitif ini tidak diperlihatkan pada
             diagram arsitektur. Gambar berikut menunjukkan salah satu contoh arsitektur jaringan
             dengan lapisan kompetitif yang memiliki bobot -η

            1                                                   1
                                             –η
                      A1                              Am
                                         –η
                –η                                     –η
                                                                1
            1
                      Ai                     –η       Aj
                                        –η

PROSES PEMBELAJARAN JARINGAN
  • Cara belajar JST :
     Ke dalam JST diinputkan informasi yang sebelumnya telah diketahui hasil keluarannya.
     Penginputan informasi ini dilakukan lewat node-node atau unit-unit input. Bobot-bobot
     antarkoneksi dalam suatu arsitektur diberi nilai awal dan kemudian JST dijalankan. Bobot-bobot
     ini bagi jaringan digunakan untuk belajar dan mengingat suatu informasi. Pengaturan bobot
     dilakukan secara terus-menerus dan dengan menggunakan kriteria tertentu sampai diperoleh
     keluaran yang diharapkan.
                                                                                                  36
   •   Hal yang ingin dicapai dengan melatih/mengajari JST adalah untuk mencapai keseimbangan
       antara kemampuan memorisasi dan generalisasi.
   •   Kemampuan memorisasi = kemampuan JST untuk memanggil kembali secara sempurna sebuah
       pola yang telah dipelajari.
   •   Kemampuan generalisasi = adalah kemampuan JST untuk menghasilkan respon yang bisa
       diterima terhadap pola-pola input yang serupa (namun tidak identik) dengan pola-pola yang
       sebelumnya telah dipelajari.
       Hal ini sangat bermanfaat bila pada suatu saat ke dalam JST diinputkan informasi baru yang
       belum pernah dipelajari, maka JST masih akan tetap dapat memberikan tanggapan yang baik,
       memberikan keluaran yang paling mendekati.
   •   Paradigma/metode pembelajaran/pelatihan JST :
           1. Pembelajaran terawasi (supervised learning)
               Pada pembelajaran ini kumpulan input yang digunakan, output-outputnya telah
               diketahui. Perbedaan antara output-output aktual dengan output-output yang diinginkan
               digunakan untuk mengoreksi bobot JST agar JST dapat menghasilkan jawaban sedekat
               (semirip) mungkin dengan jawaban yang benar yang telah diketahui oleh JST.
           2. Pembelajaran tak terawasi (unsupervised learning) / pembelajaran tanpa guru
               Pada pembelajaran ini, JST mengorganisasi dirinya sendiri untuk membentuk vektor-
               vektor input yang serupa, tanpa menggunakan data atau contoh-contoh pelatihan.
               Struktur menggunakan dasar data atau korelasi antara pola-pola data yang dieksplorasi.
               Paradigma pembelajaran ini mengorganisasi pola-pola ke dalam kategori-kategori
               berdasarkan korelasi yang ada.
           3. Gabungan pembelajaran terawasi dan tak terawasi (hybrid)
               Merupakan kombinasi dari kedua pembelajaran tersebut. Sebagian dari bobot-bobotnya
               ditentukan melalui pembelajaran terawasi dan sebagian lainnya melalui pembelajaran tak
               terawasi.

FUNGSI AKTIVASI
  • Dipakai ntuk menentukan keluaran suatu neuron
  • Merupakan fungsi yang menggambarkan hubungan antara tingkat aktivasi internal (summation
    function) yang mungkin berbentuk linier atau nonlinear. Beberapa fungsi aktivasi JST
    diantaranya hard limit, purelin, dan sigmoid. Yang populer digunakan adalah fungsi sigmoid
    yang memiliki beberapa varian : sigmoid logaritma, sigmoid biner, sigmoid bipolar, sigmoid
    tangen.
  • Hard limit memberikan batasan tegas 0 atau 1, purelin memisahkan secara linier, sigmoid
    berupa fungsi smooth bernilai antara 0 sampai dengan 1 (bila biner) atau antara -1 sampai 1 (bila
    bipolar)

SUMMATION FUNCTION
  • Fungsi yang digunakan untuk mencari rata-rata bobot dari semua elemen input.
  • Bentuk sederhananya adalah dengan mengalikan setiap nilai input (Xj) dengan bobotnya (Wij)
    dan menjumlahkannya (disebut penjumlahan berbobot atau Si)
                              N
                      S i = ∑ Wij * X j
                             j =i
   •   Diibaratkan dengan sebuah neuron yang memonitor sinyal yang datang dari neuron-neuron lain.
       Neuron ini menghitung penjumlahan berbobotnya dan kemudian menentukan sinyal untuk
       dikirim ke neuron-neuron lain.

SUM SQUARE ERROR dan ROOT MEAN SQUARE ERROR
  • Perhitungan kesalahan merupakan pengukuran bagaimana jaringan dapat belajar dengan baik
     sehingga jika dibandingkan dengan pola yang baru akan dengan mudah dikenali.
  • Kesalahan pada keluaran jaringan merupakan selisih antara keluaran sebenarnya (current output)
     dan keluaran yang diinginkan (desired output)
  • Selisih yang dihasilkan antara keduanya biasanya ditentukan dengan cara dihitung menggunakan
     suatu persamaan.
                                                                                                     37
   •   Sum Square Error (SSE) :
          1. Hitung keluaran jaringan syaraf untuk masukan pertama
          2. Hitung selisih antara nilai keluaran jaringan syaraf dan nilai target/yang diinginkan untuk
             setiap keluaran
          3. Kuadratkan setiap keluaran kemudian hitung seluruhnya

                               SSE = ∑∑ (T jp − X jp ) 2
                                           p   j

              Tjp : nilai keluaran jaringan syaraf
              Xjp : nilai target/yang diinginkan untuk setiap keluaran

   •   Root Mean Square Error (RMS Error) :
          1. Hitung SSE
          2. Hasilnya dibagi dengan perkalian antara banyaknya data pada pelatihan dan banyaknya
             keluaran, kemudian diakarkan.

                                                      ∑∑ (T
                                                        p   j
                                                                  jp   − X jp ) 2
                               RMSError =
                                                                n p no
              Tjp   : nilai keluaran jaringan syaraf
              Xjp   : nilai target/yang diinginkan untuk setiap keluaran
              np     : jumlah seluruh pola
              po     : jumlah keluaran


   Keberhasilan suatu proses belajar JST ditunjukkan dengan besarnya error yang minimum. Pada
   kondisi inilah JST tersebut dapat digunakan. Ketika ada hal baru yang harus diketahui oleh JST
   maka proses belajar harus diulang kembali dengan menggunakan informasi-informasi yang lama
   ditambah dengan informasi-infromasi baru.

APLIKASI JARINGAN SYARAF TIRUAN
     • Aerospace
       autopilot pesawat terbang, simulasi jalur penerbangan, sistem kendali pesawat, perbaikan
       autopilot, simulasi komponen pesawat
     • Otomotif : sistem kendali otomatis mobil
     • Keuangan dan perbankan
       pendeteksian uang palsu, evaluator aplikasi kredit, pengidentifikasian pola-pola data pasar
       saham
     • Militer
       Pengendali senjata, pendeteksi bom, penelusuran target, pembedaan objek, pengendali
       sensor, sonar, radar, dan pengolahan sinyal citra yang meliputi kompresi data, ekstraksi
       bagian istimewa, dan penghilangan derau, pengenalan sinyal atau citra.
     • Elektronik
       Pembuatan perangkat keras yang bisa mengimplementasikan JST secara efisien, machine
       vision, pengontrol gerakan dan penglihatan robot, sintesis suara
     • Broadcast : pencarian klip berita melalui pengenalan wajah
     • Keamanan : JST digunakan untuk mengenali mobil dan mengenali wajah oknum
     • Medis : analisis sel kanker
     • Pengenalan suara : pengenalan percakapan, klasifikasi suara
     • Pengenalan tulisan : pengenalan tulisan tangan, penerjemahan tulisan ke dalam tulisan latin
     • Matematika : alat pemodelan masalah dimana bentuk eksplisit dari hubungan antara
       variabel-variabel tertentu tidak diketahui
     • Pengenalan benda bergerak
       selain pola dari citra diam, JST juga bisa digunakan untuk mendeteksi citra bergerak dari
       video seperti citra orang yang bergerak, dll.
     • JST digunakan sebagai detektor virus komputer, penginderaan bau, dll

								
To top